基本的程序语言都具备基本的控制结构指令，如if...else和for...loop，一般可做为操作向量数据的辅助工具。然而，当用于大数据的平行处理作业，切换为矩阵操作就显得相当重要，R语言中的高级数据结构指令即具备平行处理大数据的功能。
lapply: 输入资料结构为一个列表(list)和一个自订函数(fun)，即可对列表中的数据进行平行计算和求值，输出资料结构为一个列表(list)。以一个列表(data1)和平均值函数(mean)作为范例，如下。
#data
data1<-list(num=c(1:5), name=c(10,20,30),mat=matrix(1:15,nrow = 3,ncol = 5))
#result
cal1<-lapply(data1, mean)
#输出结果
> cal1
$num
[1] 3
$name
[1] 20
$mat
[1] 8
也可以进一步用自订函数(fun)来计算，范例如下。
#function
f<-function(x){x/5}
#data
data1<-list(num=c(1:5), name=c(10,20,30),mat=matrix(1:15,nrow = 3,ncol = 5))
#result
cal2<-lapply(data1, f)
#输出结果
> cal2
$num
[1] 0.2 0.4 0.6 0.8 1.0
$name
[1] 2 4 6
$mat
[,1] [,2] [,3] [,4] [,5]
[1,] 0.2 0.8 1.4 2.0 2.6
[2,] 0.4 1.0 1.6 2.2 2.8
[3,] 0.6 1.2 1.8 2.4 3.0
sapply: 与lapply使用方式相似，输入资料结构为一个列表(list)和一个自订函数(fun)，唯输出资料结构为向量(vector)。为了确认数据类型，可用class指令来确认，如下。
#data
data1<-list(num=c(1:5), name=c(10,20,30),mat=matrix(1:15,nrow = 3,ncol = 5))
cal1<-lapply(data1, mean)
cal3<-sapply(data1, mean)
#输出结果
> cal1
$num
[1] 3
$name
[1] 20
$mat
[1] 8
> cal3
num name mat
3 20 8
> class(cal1)
[1] "list"
> class(cal3)
[1] "numeric"
apply: 输入资料结构为一个矩阵(matrix)和一个自订函数(fun)，输出资料结构为一个向量(vector)或矩阵(matrix)。范例如下。
#function
f<-function(x){x/5}
data2<-matrix(c(1:30),nrow=6,ncol=5)
#col calculation result
cal4<-apply(data2,2, f)
#col mean result
cal5<-apply(data2,2, mean)
#row mean result
cal6<-apply(data2,1, mean)
#输出结果
> data2
[,1] [,2] [,3] [,4] [,5]
[1,] 1 7 13 19 25
[2,] 2 8 14 20 26
[3,] 3 9 15 21 27
[4,] 4 10 16 22 28
[5,] 5 11 17 23 29
[6,] 6 12 18 24 30
> cal4
[,1] [,2] [,3] [,4] [,5]
[1,] 0.2 1.4 2.6 3.8 5.0
[2,] 0.4 1.6 2.8 4.0 5.2
[3,] 0.6 1.8 3.0 4.2 5.4
[4,] 0.8 2.0 3.2 4.4 5.6
[5,] 1.0 2.2 3.4 4.6 5.8
[6,] 1.2 2.4 3.6 4.8 6.0
> cal5
[1] 3.5 9.5 15.5 21.5 27.5
> cal6
[1] 13 14 15 16 17 18
-----如果文章对您有帮助，打开微信扫一扫，请作者喝杯咖啡。-----
