Question

我一直在试图理解何时需要使用Apply或Map函数以及在其中使用公式的方法，但没有取得太大的成功，因为我看不到所谓的调用背后的逻辑。这是一个使用mutate的简单示例：

library(tidyverse)
df <- tibble(
  a = 1:5,
  b = 3:7,
  c = 5:9
)

df %>% 
  mutate(new = a)

new的每个元素都是a的对应元素。

df %>% 
  mutate(new = 1 == a)

new的每个元素都是TRUE，则为false，具体取决于a的相应元素。

df %>% 
  mutate(new = 3 %in% a)

new的每个元素都是相同的，它检查3是否在整个向量a中，而不仅仅是对应的元素。

那么它何时使用带有匹配行的变量中的元素，何时使用整个变量向量？我看不到可以帮助我确定是否需要使用Apply或Map的逻辑模式。

df %>% 
  mutate(new = str_c(a, b, sep = "..."))

我想也许与功能有关，但是在这里它使用a和b的对应元素，而不是整个向量。

类似地，如果我的标题中有列表向量：

df2 <- tibble(
  prb = c(0.2, 0.5, 0.3),
  dist = list(rnorm(5, sd = 1), 
           rnorm(5, sd = 5),
           rnorm(5, sd = 10))
)

df2 %>% 
  mutate(new = prb * dist)

这会产生错误，即使0.2 * rnorm（5，sd = 1）不会。

df2 %>% 
  mutate(one = map2(prb, dist, ~.x * .y))

所以我必须使用类似这样的东西。为什么？

df2 %>% 
  mutate(new = dist)

这会复制dist列，因此它必须查看dist的每个元素？

df2 %>% 
  mutate(new = dist[1])

但这不能按我的意愿工作，因为它返回整个dist列表的第一个元素（它是5个值的向量）。我想要与每一行相对应的向量的第一个元素，因此它返回一个数字。是的，我知道我可以使用map函数和公式来做到这一点，但是为什么起作用或不起作用背后的逻辑是什么？

突变何时使用变量的行元素而不是整个列向量？

0 个答案: