Question

我试图在数据框的最后两列中对整数的数字求和。我找到了一个函数来进行求和，但我想我可能在应用函数时遇到问题 - 不确定吗？

Dataframe
a = c("a", "b", "c")
b = c(1, 11, 2)
c = c(2, 4, 23)
data <- data.frame(a,b,c)

#Digitsum function
digitsum <- function(x) sum(floor(x / 10^(0:(nchar(as.character(x)) - 1))) %% 10)

#Applying function
data[2:3] <- lapply(data[2:3], digitsum)

这是我得到的错误：

*Warning messages:
1: In 0:(nchar(as.character(x)) - 1) :
  numerical expression has 3 elements: only the first used
2: In 0:(nchar(as.character(x)) - 1) :
  numerical expression has 3 elements: only the first used*

Answer 1

此时您的函数digitsum适用于单个标量输入，例如，

digitsum(32)
# [1] 5

但是，它无法进行矢量输入，否则":"会抱怨。您需要使用Vectorize：

对此函数进行矢量化

vec_digitsum <- Vectorize(digitsum)

然后它适用于矢量输入：

b = c(1, 11, 2)
vec_digitsum(b)
# [1] 1 2 2

现在您可以毫无困难地使用lapply。

Answer 2

@Zheyuan Li的回答解决了你使用lapply的问题。虽然我想补充几点：

Vectorize只是mapply的包装器，它不能提供矢量化的性能。
可以改进功能本身以提高可读性：

见

digitsum <- function(x) sum(floor(x / 10^(0:(nchar(as.character(x)) - 1))) %% 10)
vec_digitsum <- Vectorize(digitsum)

sumdigits <- function(x){
  digits <- strsplit(as.character(x), "")[[1]]
  sum(as.numeric(digits))
}
vec_sumdigits <- Vectorize(sumdigits)

microbenchmark::microbenchmark(digitsum(12324255231323),
  sumdigits(12324255231323), times = 100)

Unit: microseconds
                      expr    min     lq     mean median     uq    max neval cld
  digitsum(12324255231323) 12.223 12.712 14.50613 13.201 13.690 96.801   100   a
 sumdigits(12324255231323) 13.689 14.667 15.32743 14.668 15.157 38.134   100   a

两个版本的性能相似，但第二个版本更容易理解。

有趣的是，Vectorize包装器为单个输入增加了相当大的开销：

microbenchmark::microbenchmark(vec_digitsum(12324255231323), 
  vec_sumdigits(12324255231323), times = 100)

Unit: microseconds
                          expr    min     lq     mean  median      uq      max neval cld
  vec_digitsum(12324255231323) 92.890 96.801 267.2665 100.223 108.045 16387.07   100   a
 vec_sumdigits(12324255231323) 94.357 98.757 106.2705 101.445 107.556   286.00   100   a

这个函数的另一个优点是，如果你在字符串格式中有很大的数字，它仍然可以工作（删除as.character的修改很少）。虽然第一个版本功能会出现大数字问题或者可能会引入错误。

注意：首先我的基准测试是比较OP函数的矢量化版本和我的函数的非矢量化版本，这给了我错误的印象，我的功能要快得多。原来这是由Vectorize开销引起的。

计算数据框特定列中的数字和

2 个答案: