数据批处理--R语言里最重要的一个函数家族：*pply

之前我们讲过循环，简单讲解了向量计算，它可以代替循环进行比较搞笑的批量计算，试想计算数据框中的总收入加上10，我们没必要进行循环计算这一列的每一个元素与10的和，只需要把这一列当成一个向量执行就可以了，这就是向量计算，但是问题来了，如果我要数据框中所有列都加上10或者求所有列的均值、中位数又或对它们调用更加复杂的函数，该怎么办？第一个想到的还是循环，但是R里面循环很慢这时*pply家族的函数就派上用场了，专门完成比向量更高层次的批量处理。

apply函数

temp <- data.frame(a = rnorm(30, mean = 0), b = rnorm(30, 2), c = rnorm(30, 4))
apply(X = temp, MARGIN = 2, FUN = mean)
apply(temp, 2, sd)
apply(temp, 1, mean)
apply(temp, 2, function(x) length(x[x > 1]))

1行生成一个数据框，它每一列的数都是从一个正态分布中抽取的样本，描述一个正态分布的样本集至少要包含三个要素：样本数、均值mean、标准差sd，函数rnorm的参数也主要包含这三个要素，主要用于随机产生一个指定特征的正态分布样本集，这里a列表示随机抽取一个包含30个样本，均值为0，标准差为1（默认是1）的向量，然后赋值给a列，b为随机抽取一个包含30个样本均值为2的正态分布向量，c同样解释；为了验证抽样效果，我们可以求每一列的均值看看和设定的是否一样，这里不需要循环，只用apply函数即可，参数X(大写)用于指定数据集，MARGIN用于指定是对行计算还是对列计算，行用1表示，列2表示，也可以同时进行行和列计算，最后一个参数FUN指定调用的函数，连起来解释将temp中的每一列丢给mean函数计算求均值，可以看到第一列的均值接近0，第二列接近2，第三列接近4，和我们设定的一样；3行对每一列求标准差，可以看到标准差都接近1，和默认的标准差一样；4行对每一行求均值；5行使用了自编函数，这里是一个匿名函数，所谓匿名函数就是没有函数名，它统计x中大于1的个数，这句整体连起来是将temp的每一列丢给匿名函数，计算每一列中大于1的数值个数，有意思的是*pply家族大多数用于自编函数，进行一些批量的特殊操作。

除了对矩阵或者数据框进行操作以外，我们有时候还会用到对list的批量操作，这就需要用到lapply或者sapply函数了，

lapply函数

temp <- list(a = rnorm(30, mean = 0), b = rnorm(10, 2), c = rnorm(20, 4))
lapply(X = temp, FUN = length)
length(temp)
myfun <- function(x) {
  a <- median(x)
  b <- mean(x)
  return(c(a, b))
}
lapply(temp, myfun)

1行创建了一个包含3个向量元素的list；2行使用lapply函数将list的每一个元素丢给length函数，统计每一个元素的长度，返回的结果是一个和X等长的list，包含3个计数结果；4行返回temp的长度为3；5行起编了一个自编函数myfun，它计算x的中位数和均值，并将结果捆绑为向量返回；最后一行将temp应用于自编函数myfun，返回计算结果，结果是一个list，和temp等长，包含三个向量，每个向量包含两个元素，即temp中每个向量的中位数和均值。

有时候我们需要向函数传递多个参数，然后进行批量操作，如下：

lapply传递多个参数

myfun2 <- function(x, y) {
  a <- median(x + y)
  b <- mean(x - y)
  return(list(a, b))
}
b = 3
lapply(X = temp, myfun2, y = b)

1行设计了一个自编函数myfun2，它需要用户传递两个参数：x、y；最后一行使用lapply传递多个参数，只需要在FUN后面继续赋值FUN所需的参数就可以了，比如myfun2需要y参数，我们就在后面赋值y = b，这样就可以完成传参了，表示temp中每个元素向量都要和y一起参与计算，是整体的y不是y下面的每一元素，因为temp是按元素被lapply传递，而y不是，y是整体赋值。

sapply函数

sapply(X = temp, FUN = myfun, simplify = F)
sapply(X = temp, FUN = myfun, simplify = T)

sapply函数就是lapply的一个简化版本，因为它添加了simplify参数而更名为sapply，我们看到在simplify等于F时，它返回的结果和lapply一样是个list，当simplify为T时它就将结果整理成了一个矩阵，其实这个使用do.call函数也可以将lapply的结果转化为矩阵，后面应用到很多，原因是我已经忘了sapply函数。

另外一个传递多个参数进行建模的函数为mapply，这个函数很重要，一般在模型比较的交叉检验时经常用到，比如后面章节比较随机森林的树数对模型的影响时就用到了，它的一个作用就是避免多重循环，因为它和lapply的多参数传递不同，它是将多个参数的元素一一对应传递的。

mapply函数

x <- 1:3

y <- c(4, 2, 2)
z <- c(1, 3, 4)
myfun3 <- function(x, y, z) {
  m <- y + z*x
}
mapply(myfun3, x, y, z)
lapply(x, myfun3, y = y, z = z)

前三行创建了三个向量，4行创建了一个自编函数myfun3；mapply函数将x、y、z的元素一一对应的传递给myfun3，返回的变量是一个向量，包含了3个元素，因为x、y、z的元素共产生了3次一一对应的关系，看到了么，如果你将要使用一个三重循环就可以使用这这种方法避免，速度快很多，具体用例请参看舆情监控的章节；而lapply返回的结果就比较复杂了，所以它们的传参逻辑不是一回事。

除了上面讲到的函数以外，*pply家族还有很多变种，什么ddply、vapply、rapply等等，大同小异根本没必要记忆，因为上面的函数足够完成它们的工作，比如tapply函数比较像分组函数，可以使用之前的透视表函数替代他，更加方便。其实一旦你搞通了之后，就会发现很多函数都是浮云，我仅仅用到两个*pply函数lapply和mapply，其他的都被其他函数替代掉了。数据分析师培训