- 综合排序
- 最热优先
- 最新优先
- 来自专栏优雅R
「R」apply,lapply,sapply用法探索
我一般最常用的函数为apply和sapply，下面将分别介绍这8个函数的定义和使用方法。 2. apply函数 apply函数是最常用的代替for循环的函数。 4. sapply函数 sapply函数是一个简化版的lapply，sapply增加了2个参数simplify和USE.NAMES，主要就是让输出看起来更友好，返回值为向量，而不是list对象。 > sapply(data.frame(x), sum) x1 x2 12 12 # 检查结果类型，sapply返回类型为向量，而lapply的返回类型为list > class(lapply( x, sum)) [1] "list" > class(sapply(x, sum)) [1] "numeric" 如果simplify=FALSE和USE.NAMES=FALSE，那么完全sapply 1 1 [2,] 1 1 , , 2 [,1] [,2] [1,] 2 2 [2,] 2 2 # 默认情况，则自动合并分组 > sapply(a
5.3K32发布于 2020-07-06 - 来自专栏生物信息学、python、R、linux
apply(), lapply(), sapply(), tapply()的区别
3.sapply() function sapply() 输入为 list, vector or data.frame ，输出为 vector or matrix. sapply()与 lapply( sapply(X, FUN) Arguments: -X: A vector or an object -FUN: Function applied to each element of x 参考： https://www.guru99.com/r-apply-sapply-tapply.html#2
1.6K30发布于 2020-07-01 - 来自专栏优雅R
「R」简单理解lapply,sapply,vapply
在我之前转载的文章《apply,lapply,sapply用法探索》中已经对R中apply家族函数进行了比较详细地说明，这篇文章基于我在data campus中对lapply、sapply、vapply 因此，我们可以使用sapply函数，s前缀即简化之意。 > sapply(temp, basics) [,1] [,2] [,3] [,4] [,5] [,6] [,7] min -1.0 5 -3.0 -2.0 2.0 -3.0 记得，如果你使用迭代计算的结果不是一个向量，就不要使用sapply进行简化计算。 Once you know about vapply(), there's really no reason to use sapply() anymore.
1.8K20发布于 2020-07-02 - 来自专栏磐创AI技术团队的专栏
R语言中 "apply" 函数详解
sapply() sapply()函数（simplified apply的缩写）类似于lappy函数。唯一的区别是输出的返回类型——sapply()根据返回的值简化了输出。 <- sapply(data, sum) #output sum_sapply1 ? <- sapply(data, sum) #output sum_sapply2 ? <- sapply(data, sum) #output sum_sapply3 ? 如果我们使用lapply()或sapply()呢？ lapply(data, max) sapply(data, max) 因此，我们可以看到lappy()和sapply()实际上都提供了相同的输出。
21.9K40发布于 2021-04-21 空间转录组合作项目分析示例(四)
[sample_ls[i]]] spot_list <- lapply(c(1:500),function(x){ #num. of shuffled matrices all_row <- sapply (c(1:max_win_size), function(win_size){ proximity <- t(sapply(all_spots, function(spot){ win_spots <- c(spot) sapply(c(1:win_size), function(i){ win_spots <<- unique(c(win_spots,unique(na.omit = 0){ sapply(add_clusters,function(clust){ proximity <<- cbind(proximity,rep(0,dim(proximity) is_one,] all_cor <- sapply(c(1:dim(pairs)[2]), function(j){ pair_cor <- cor(proximity[,pairs[1,
28220编辑于 2024-09-09- 来自专栏R语言数据分析指南
快速掌握apply函数家族推荐这篇文档
sapply：与 lapply 类似，但它自动将结果转换为向量、矩阵或数组。 apply：用于对矩阵或数组的行、列或其他维度进行循环操作。 ❝如果想要将结果转换为向量、矩阵或数组，可以使用 sapply 函数。它的基本语法与 lapply 类似，只是将 lapply 替换为 sapply 即可。 ❞ 例如，下面的代码使用 sapply 函数将列表中的每个字符串转换为大写： # 创建列表 x <- list("apple", "banana", "cherry") # 使用 sapply 函数对列表中的每个字符串执行 toupper 函数 sapply(x, toupper) [1] "APPLE" "BANANA" "CHERRY" 注意，sapply 函数的返回值是一个向量，其中的每个元素表示对应的数据执行函数后的结果 函数计算列表中所有数字的平方和 下面的代码使用 sapply 函数计算列表中所有数字的平方和： # 创建列表 x <- list(1, 2, 3, 4, 5) # 使用 sapply 函数计算列表中所有数字的平方和
3.8K30编辑于 2022-12-22 - 来自专栏优雅R
「R」解决R包Check汇报'marked UTF-8 strings'问题
(TCGA.organ, is_asc) FALSE %in% sapply(ccle_absolute, is_asc) FALSE %in% sapply(ccle_info, is_asc) FALSE %in% sapply(tcga_clinical, is_asc) FALSE %in% sapply(tcga_genome_instability, is_asc) FALSE %in% sapply (tcga_gtex, is_asc) FALSE %in% sapply(tcga_purity, is_asc) FALSE %in% sapply(tcga_subtypes, is_asc) FALSE %in% sapply(tcga_surv, is_asc) FALSE %in% sapply(toil_info, is_asc) sapply(toil_info, is_asc) 然后锁定问题列以及检查问题字符串总数是否能对上 ： > sapply(toil_info, is_asc) sample detailed_category primary disease or
59850发布于 2021-04-07 - 来自专栏YoungGy
R语言_apply系列函数
list to list x <- list(a = 1, b = 1:3, c = 10:100) lapply(x, FUN = length) lapply(x, FUN = sum) #sapply #list to vector x <- list(a = 1, b = 1:3, c = 10:100) sapply(x, FUN = length) sapply(x, FUN = sum) sapply(1:5,function(x) rnorm(3,x)) sapply(1:5,function(x) matrix(x,2,2)) sapply(1:5,function(x) matrix (x,2,2), simplify = "array") #vapply #speed up the sapply x <- list(a = 1, b = 1:3, c = 10:100) #Note
1.2K30发布于 2019-05-26 - 来自专栏科技记者
PRS多基因评分教程学习笔记(二）
(B.A1, complement) == A1 & sapply(B.A2, complement) == A2, SNP] # Now update the sapply(B.A2, complement))] # And update the info structure info[SNP %in% com.snps, c("B.A1", "B.A2") := list(sapply(B.A1, complement), sapply(B.A2, complement))] c.识别需要在目标中重新编码的SNP (B.A1, complement) == A2 & sapply(B.A2, complement) == A1, SNP] # Now update the ) := list(sapply(B.A2, complement), sapply(B.A1, complement))] # Write the updated
2.7K30发布于 2020-03-03 - 来自专栏素质云笔记
R语言︱数据分组统计函数族——apply族用法与心得
apply 在apply之上加入table功能，可以分组汇总 table结合，可以分组汇总 lapply=list apply 都需要数据框格式，可以与list合用，返回仍是list list用法 sapply Apply a Function over a List or Vector对列表或者向量使用函数 sapply(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE 函数sapply是函数lapply的一个特殊情形，对一些参数的值进行了一些限定，其使用格式为： sapply(X, FUN,..., simplify = TRUE, USE.NAMES = TRUE) sapply(*, simplify = FALSE, USE.NAMES = FALSE) 和lapply(*)的返回值是相同的。 如果参数simplify=TRUE，则函数sapply的返回值不是一个list，而是一个矩阵； 若simplify=FALSE，则函数sapply的返回值仍然是一个list。
4.1K30发布于 2019-05-28 - 来自专栏生信补给站
R编程之路_数据汇总（2）
lappy是最基本的原型函数，sapply和vapply都是lapply的改进版。 $ShuXue 15. 50% 70% 90% 16.87.0 96.6 99.6 2.2 sapply返回的结果比较“友好”，如果结果很整齐，就会得到向量或矩阵或数组 sapply是simplify 1. > sapply(scores, mean) 2. . > sapply(scores, quantile, probs=c(0.5,0.7,0.9)) 5. 虽然sapply的返回值比lapply好多了，但可预测性还是不好，如果是大规模的数据处理，后续的类型判断工作会很麻烦而且很费时。
79940发布于 2020-08-06 - 来自专栏数据小魔方
R语言数据清洗实战——世界濒危遗产地数据爬取案例
,c(2,5,7,9))] 原始数据非常混乱，我使用stringr结合sapply函数，分别提取了遗产的所在地址、经纬度信息、类别信息等。 以下函数除了sapply之外，我都在最近几篇的推送中有所涉及，特别是正则表达式在本次数据清洗中起到了很大的作用，如果你对正则还不太熟悉，可以参考这篇文化文章。 \\d{1,}") %>% strsplit(";") %>% sapply("[[",1) %>% as.numeric heritage_Current$long<-heritage_Current $Criteria %>% strsplit(":") %>% sapply("[[",1) heritage_Current<-heritage_Current[,c("Name","Criteria sapply函数在这里起到批量提取列表中单个对象第n个子对象的作用，因为strsplit函数按照“;”作为分隔符分列，这里“[[”其实是一个函数，详细用法参考?sapply文档说明。
2.3K60发布于 2018-04-11 - 来自专栏CDA数据分析师
R语言 apply函数家族详解
sapply(x， f， simplify=FALSE， USE.NAMES=FALSE)返回的值与lapply(x，f)是一致的。 sapply(X， FUN， ...， simplify = TRUE， USE.NAMES = TRUE) X表示一个向量或者表达式对象，其余对象将被通过as.list强制转换为list simplify 例： > sapply(k， paste，USE.NAMES=FALSE，1：5，sep="...") [，1] [，2] [，3] [1，] "a...1" "b...1" "c...1" [2，] .2" "c...2" [3，] "a...3" "b...3" "c...3" [4，] "a...4" "b...4" "c...4" [5，] "a...5" "b...5" "c...5" > sapply ，] "a...4...TRUE" "b...4...TRUE" "c...4...TRUE" [5，] "a...5...TRUE" "b...5...TRUE" "c...5...TRUE" > sapply
2K100发布于 2018-02-08 - 来自专栏R语言及实用科研软件
🤠 Wordcloud | 风中有朵雨做的'词云'哦！~
class",dataset_labels,sep="_") unique_labels <- unique(dataset_labels_p) unique_labels 4数据初步整理 然后我们利用sapply 可能会有小伙伴问sapply和lapply有什么区别呢！？ ok， sapply()函数与lapply()函数类似，但返回的是一个简化的对象，例如向量或矩阵。 如果应用函数的结果具有相同的长度和类型，则sapply()函数将返回一个向量。 如果结果具有不同的长度或类型，则sapply()函数将返回一个矩阵。 dataset_s <- sapply(unique_labels,function(label) list( dataset[dataset_labels_p %in% label,1] ) ) str document_tm_clean) colnames(document_tm_clean_mat) <- unique_labels # 去除长度小于4的term index <- as.logical(sapply
34710编辑于 2023-09-04 - 来自专栏深蓝居
R语言中的循环函数（Grouping Function）
R语言中有几个常用的函数，可以按组对数据进行处理，apply, lapply, sapply, tapply, mapply,等。这几个函数功能有些类似，下面介绍下这几个函数的用法。 Sapply Sapply函数和Lapply函数很类似，也是对List进行处理，只是在返回结果上，Sapply会根据结果的数据类型和结构，重新构建一个合理的数据类型返回。 还是上面的例子，只是把lapply换成sapply： sapply(s,function(x){if(is.numeric(x)){mean(x)}else{length(x)}}) name Mapply 这是对多个数据(multivariate)进行sapply处理，只是调用是参数位置有所变化，先把函数放前面： mapply(运算函数,函数的参数,第一个传入参数,第二个数据…,SIMPLIFY
2K20编辑于 2022-06-16 - 来自专栏张高兴的博客
社交网络分析的 R 基础：（四）循环与并行
一般使用最多的是对矩阵处理的函数 apply() 以及对向量处理的函数 sapply()。 apply() 系列函数[1] apply() apply() 函数用于多维数据的处理，比如矩阵。 对一个矩阵的行求和使用 apply() 函数更简单，但效率上不如 sapply()。 func2 <- function(matrix) { return(apply(matrix, 1, sum)) } sapply() sapply() 函数用于循环处理一维数据，比如向量。 参数上更加精简，处理完成的数据返回的结果集为向量，其定义如下： sapply(X, FUN) 其中 X 是要循环处理的数据，即向量；FUN 是循环处理的函数。 在不使用向量运算的前提下计算向量的平方，使用 sapply() 函数可以这样： > v <- c(1, 2, 3) > sapply(v, function(item) { return(item ^
1.8K10编辑于 2022-05-09 - 来自专栏数据科学（冷冻工厂）
scRNA-seq 细胞通信 分析教程（长文+代码）
sep="\t", check.names=F) num_pairs <- colSums(p[,-(1:11)] < 0.01) num_pairs <- data.frame(partner1 = sapply ),"\\|"),"[",2), num = num_pairs) mat_num_pairs <- sapply(sort(unique(num_pairs $partner1)), function(x) sapply(sort(unique(num_pairs$partner2)), function(y) num_pairs$num[which (strsplit(names(num_pairs),"\\|"),"[",1), to = sapply(strsplit(names(num_pairs (sort(unique(num_pairs$from)), function(x) sapply(sort(unique(num_pairs$to)), function(y) num_pairs
45400编辑于 2025-05-09 - 来自专栏爬虫资料
colnames看似简单，却能优化数据处理流程
提取招聘信息（示例数据结构为JSON） data <- fromJSON(content)$data$results # 转换为数据框 df <- data.frame( company = sapply (data, function(x) x$company$name), position = sapply(data, function(x) x$job_name), requirements = sapply(data, function(x) x$requirement), salary = sapply(data, function(x) x$salary) ) # 设置列名 招聘信息.csv", fileEncoding = "UTF-8")# 薪资分析（假设薪资格式为 "10k-20k"）df$min_salary <- as.numeric(gsub("k", "", sapply (strsplit(as.character(df$薪资待遇), "-"), "[", 1)))df$max_salary <- as.numeric(gsub("k", "", sapply(strsplit
38910编辑于 2025-01-06 - 来自专栏火星娃统计
R海拾遗-apply家族学习
概述 在实际的工作中，我们总要面对各种各样的数据结构处理，这些操作可以使用循环来完成，但是容易造成内存的占用，以前其实了解过这方面的函数，但是记不清，因此整理下 主要函数如下 apply lapply sapply 参数方面少了margin 示例 x<-lapply(iris[,1:4],mean,na.rm=T) # 因为输出的为list格式，因此一般情况下需要使用unlist函数进行分解 unlist(x) sapply 函数 Sapply函数返回的是一个向量，不过增加了两个参数 simplify 如果为T，将输出结果数组化，否则为list use.NAMEs 如果为T，设置字符串为字符名 示例 sapply(iris[
98530发布于 2020-09-15 - 来自专栏拓端tecdat
R语言代做编程辅导因子实验设计STA305/1004 Assignment（附答案）
Check if these assumptions are fuflilled.sapply(split(reflect,operator),mean)sapply(split(reflect,operator pulpdat.csv")attach(pulpdat)#Calculate means and sd for each operatorsapply(split(reflect,operator),mean)sapply
31000编辑于 2022-12-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号