应用一个函数的矩阵的每一行或数据帧
题
假设我×2矩阵,并且需要2矢量作为它的一个参数的函数有正。我想给函数应用于矩阵中的每一行,并得到一个正向量。如何做到这一点的R'
例如,我想计算在三个点的2D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))
如何函数应用于out
的每行?
如何通过为其他参数值除了指向指定的方式功能?
解决方案
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,并应用(傻)函数的每一行。你传递额外的参数给功能第四,第五,...参数apply()
。
其他提示
如果你想申请的通用功能,如和或均值,你应该因为他们比rowSums
方法快使用rowMeans
或apply(data, 1, sum)
。否则,坚持apply(data, 1, fun)
。可以传递FUN参数后附加参数(如德克已经建议):
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,你可以做这样的事情:
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
下面是将函数应用于矩阵中的每一行的一个简短的例子。 (这里,功能应用规格化的每一行设置为1。)
注意:强>的从apply()
结果必须是的互换的强>使用t()
获取布局作为输入矩阵A
相同
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) ))
<强>结果:强>
[,1] [,2] [,3] [,4]
[1,] 0 0.25 0.25 0.50
[2,] 0 0.00 0.25 0.75
[3,] 0 0.00 0.25 0.75
第一步是使函数对象,然后施加它。如果希望有相同的行数的矩阵对象时,可以预先定义,并使用如图所示的对象[]形式(否则返回值将被简化为一个向量):
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
如果你想使用非默认参数等,则调用应该包含函数命名的参数:
bvout[] <-apply(out, 1, FUN=bvnormdens, mu=c(-1,1), rho=0.6)
应用()也可以在更高维阵列用于与MARGIN参数可以是一个矢量,以及一个整数。
应用做的工作做好,但速度很慢。 使用sapply和vapply可能是有用的。 dplyr的横行也可能是有用的 让我们来看看如何执行的任何数据帧的行之积的例子。
a = data.frame(t(iris[1:10,1:3]))
vapply(a, prod, 0)
sapply(a, prod)
注意,使用vapply / sapply /应用是很好的做法,因为它减少很多时间之前分配给变量。让我们来看看微基准测试结果。
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))
)
有在是如何被使用T()仔细观察
如果你想使用的数据集的变化部分,而不是一个单一的值的另一种方法是使用rollapply(data, width, FUN, ...)
。使用宽度的向量允许您将数据集的不同窗口上应用的功能。我用这个构建自适应滤波程序中,虽然它不是很有效。