Question

假设我有一个n乘2的矩阵和一个以2向量作为其参数之一的函数。我想将函数应用于矩阵的每一行并得到一个n向量。如何在R？中做到这一点？

例如，我想在三个点上计算二维标准正态分布的密度：

bivariate.density(x = c(0, 0), mu = c(0, 0), sigma = c(1, 1), rho = 0){
    exp(-1/(2*(1-rho^2))*(x[1]^2/sigma[1]^2+x[2]^2/sigma[2]^2-2*rho*x[1]*x[2]/(sigma[1]*sigma[2]))) * 1/(2*pi*sigma[1]*sigma[2]*sqrt(1-rho^2))
}

out <- rbind(c(1, 2), c(3, 4), c(5, 6))

如何将该功能应用于out的每一行？

如何以指定的方式将除点之外的其他参数的值传递给函数？

Answer 1

您只需使用apply()功能：

R> M <- matrix(1:6, nrow=3, byrow=TRUE)
R> M
     [,1] [,2]
[1,]    1    2
[2,]    3    4
[3,]    5    6
R> apply(M, 1, function(x) 2*x[1]+x[2])
[1]  4 10 16
R>

这需要一个矩阵并对每一行应用（愚蠢）函数。您将额外的参数传递给函数，作为apply()的第四，第五，......参数。

Answer 2

如果您想应用常数函数（例如sum或mean），则应使用rowSums或rowMeans，因为它们比apply(data, 1, sum)方法更快。否则，坚持使用apply(data, 1, fun)。您可以在FUN参数后传递其他参数（如Dirk已建议的那样）：

set.seed(1)
m <- matrix(round(runif(20, 1, 5)), ncol=4)
diag(m) <- NA
m
     [,1] [,2] [,3] [,4]
[1,]   NA    5    2    3
[2,]    2   NA    2    4
[3,]    3    4   NA    5
[4,]    5    4    3   NA
[5,]    2    1    4    4

然后你可以这样做：

apply(m, 1, quantile, probs=c(.25,.5, .75), na.rm=TRUE)
    [,1] [,2] [,3] [,4] [,5]
25%  2.5    2  3.5  3.5 1.75
50%  3.0    2  4.0  4.0 3.00
75%  4.0    3  4.5  4.5 4.00

Answer 3

这是将函数应用于矩阵的每一行的简短示例。（这里，应用的函数将每一行规范化为1。）

注意： apply()的结果必须使用t() 转置才能获得与输入矩阵相同的布局{{1 }}

<强>结果：

A <- matrix(c(
  0, 1, 1, 2,
  0, 0, 1, 3,
  0, 0, 1, 3
), nrow = 3, byrow = TRUE)

t(apply(A, 1, function(x) x / sum(x) ))

Answer 4

第一步是制作函数对象，然后应用它。如果你想要一个具有相同行数的矩阵对象，你可以预定义它并使用如图所示的object []形式（否则返回的值将简化为向量）：

bvnormdens <- function(x=c(0,0),mu=c(0,0), sigma=c(1,1), rho=0){
     exp(-1/(2*(1-rho^2))*(x[1]^2/sigma[1]^2+
                           x[2]^2/sigma[2]^2-
                           2*rho*x[1]*x[2]/(sigma[1]*sigma[2]))) * 
     1/(2*pi*sigma[1]*sigma[2]*sqrt(1-rho^2))
     }
 out=rbind(c(1,2),c(3,4),c(5,6));

 bvout<-matrix(NA, ncol=1, nrow=3)
 bvout[] <-apply(out, 1, bvnormdens)
 bvout
             [,1]
[1,] 1.306423e-02
[2,] 5.931153e-07
[3,] 9.033134e-15

如果您想使用除默认参数之外的其他参数，则调用应在函数后包含命名参数：

bvout[] <-apply(out, 1, FUN=bvnormdens, mu=c(-1,1), rho=0.6)

apply（）也可用于高维数组，MARGIN参数可以是向量也可以是单个整数。

Answer 5

Apply可以很好地完成工作，但速度很慢。使用sapply和vapply可能很有用。 dplyr的rowwise也很有用让我们看一个如何做任何数据框的行方式产品的例子。

a = data.frame(t(iris[1:10,1:3]))
vapply(a, prod, 0)
sapply(a, prod)

请注意，在使用vapply / sapply / apply之前分配变量是一种很好的做法，因为它可以减少很多时间。我们来看看microbenchmark结果

a = data.frame(t(iris[1:10,1:3]))
b = iris[1:10,1:3]
microbenchmark::microbenchmark(
    apply(b, 1 , prod),
    vapply(a, prod, 0),
    sapply(a, prod) , 
    apply(iris[1:10,1:3], 1 , prod),
    vapply(data.frame(t(iris[1:10,1:3])), prod, 0),
    sapply(data.frame(t(iris[1:10,1:3])), prod) ,
    b %>%  rowwise() %>%
        summarise(p = prod(Sepal.Length,Sepal.Width,Petal.Length))
)

仔细研究如何使用t（）

Answer 6

如果要使用数据集的不同部分而不是单个值，则另一种方法是使用rollapply(data, width, FUN, ...)。使用宽度向量允许您在数据集的变化窗口上应用函数。我已经用它来构建一个自适应过滤例程，虽然效率不高。

将函数应用于矩阵或数据框的每一行

6 个答案: