分组函数（tapply，by，aggregate）和* apply系列

Question

分组函数（tapply，by，aggregate）和* apply系列每当我想在R中做一些“map”py时，我通常会尝试在apply家族中使用一个函数。但是，我从来没有完全理解它们之间的区别 - 如何{ sapply，lapply等}将函数应用于输入/分组输入，输出将是什么样的，甚至输入可以是什么 - 所以我经常只要仔细检查它们，直到我得到我想要的东西。有人可以解释如何使用哪一个？我当前（可能不正确/不完整）的理解是......sapply(vec, f)：输入是一个向量。output是一个向量/矩阵，其中element i是f(vec[i])一个矩阵，如果f有一个多元素输出lapply(vec, f)：相同sapply，但输出是一个列表？apply(matrix, 1/2, f)：输入是一个矩阵。output是一个向量，其中element i是f（矩阵的row / col i）tapply(vector, grouping, f)：output是一个矩阵/数组，其中矩阵/数组中的元素是向量f分组g的值，并g被推送到行/列名称by(dataframe, grouping, f)：让我们g成为一个分组。适用f于组/数据框的每一列。漂亮打印分组和f每列的值。aggregate(matrix, grouping, f)：类似于by，但不是将输出打印得很漂亮，而是将所有内容都粘贴到数据帧中。侧问题：我还没有学会plyr或重塑-将plyr或reshape更换所有这些完全？

Answer 1

首先从Joran的优秀答案开始 - 怀疑任何事情都可以更好。

然后，以下助记符可能有助于记住每个之间的区别。虽然有些是显而易见的，但有些可能不那么明显 - 对于这些，你会在Joran的讨论中找到理由。

助记符

• lapply是一个列表应用，它作用于列表或向量并返回一个列表。

• sapply是一个简单的 lapply（函数默认为在可能的情况下返回向量或矩阵）

• vapply是经过验证的申请（允许预先指定退货对象类型）

• rapply是嵌套列表的递归应用，即列表中的列表

• tapply是标记应用，其中标记标识子集

• apply 是 通用的：应用一个函数的矩阵的行或列（或者，更一般地，以阵列的尺寸）

建立正确的背景

如果使用这个apply家庭仍然觉得你有点陌生，那么可能是你错过了一个关键的观点。

这两篇文章可以提供帮助。它们提供了激发函数apply族提供的函数式编程技术的必要背景。

Lisp的用户将立即认识到这种范式。如果你不熟悉Lisp，一旦你了解了FP，你就会获得一个强大的观点来使用R - 并且apply会更有意义。

• 高级R：功能编程，由Hadley Wickham撰写

• R的简单函数式编程，作者：Michael Barton

Answer 2

因为我意识到这篇文章的（非常优秀的）答案缺乏by和aggregate解释。这是我的贡献。

通过

by但是，如文档中所述，该函数可以作为“包装器” tapply。by当我们想要计算tapply无法处理的任务时，会产生这种力量。一个例子是这段代码：

ct <- tapply(iris$Sepal.Width , iris$Species , summary )

cb <- by(iris$Sepal.Width , iris$Species , summary )

 cb

iris$Species: setosa

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.300   3.200   3.400   3.428   3.675   4.400 

-------------------------------------------------------------- 

iris$Species: versicolor

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.000   2.525   2.800   2.770   3.000   3.400 

-------------------------------------------------------------- 

iris$Species: virginica

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.200   2.800   3.000   2.974   3.175   3.800 

ct

$setosa

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.300   3.200   3.400   3.428   3.675   4.400 

$versicolor

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.000   2.525   2.800   2.770   3.000   3.400 

$virginica

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

  2.200   2.800   3.000   2.974   3.175   3.800 

如果我们打印这两个对象，ct并且cb我们“基本上”具有相同的结果，唯一的区别在于它们的显示方式和不同的class属性，分别by为for cb和arrayfor ct。

正如我所说，by当我们不能使用时会产生力量tapply; 以下代码是一个例子：

 tapply(iris, iris$Species, summary )

Error in tapply(iris, iris$Species, summary) : 

  arguments must have same length

R表示参数必须具有相同的长度，比如“我们想要计算沿着因子summary的所有变量”：但是R不能这样做，因为它不知道如何处理。irisSpecies

使用by函数R为data frame类调度一个特定的方法，然后让summary函数工作，即使第一个参数（和类型）的长度不同。

bywork <- by(iris, iris$Species, summary )

bywork

iris$Species: setosa

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species  

 Min.   :4.300   Min.   :2.300   Min.   :1.000   Min.   :0.100   setosa    :50  

 1st Qu.:4.800   1st Qu.:3.200   1st Qu.:1.400   1st Qu.:0.200   versicolor: 0  

 Median :5.000   Median :3.400   Median :1.500   Median :0.200   virginica : 0  

 Mean   :5.006   Mean   :3.428   Mean   :1.462   Mean   :0.246                  

 3rd Qu.:5.200   3rd Qu.:3.675   3rd Qu.:1.575   3rd Qu.:0.300                  

 Max.   :5.800   Max.   :4.400   Max.   :1.900   Max.   :0.600                  

-------------------------------------------------------------- 

iris$Species: versicolor

  Sepal.Length    Sepal.Width     Petal.Length   Petal.Width          Species  

 Min.   :4.900   Min.   :2.000   Min.   :3.00   Min.   :1.000   setosa    : 0  

 1st Qu.:5.600   1st Qu.:2.525   1st Qu.:4.00   1st Qu.:1.200   versicolor:50  

 Median :5.900   Median :2.800   Median :4.35   Median :1.300   virginica : 0  

 Mean   :5.936   Mean   :2.770   Mean   :4.26   Mean   :1.326                  

 3rd Qu.:6.300   3rd Qu.:3.000   3rd Qu.:4.60   3rd Qu.:1.500                  

 Max.   :7.000   Max.   :3.400   Max.   :5.10   Max.   :1.800                  

-------------------------------------------------------------- 

iris$Species: virginica

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width          Species  

 Min.   :4.900   Min.   :2.200   Min.   :4.500   Min.   :1.400   setosa    : 0  

 1st Qu.:6.225   1st Qu.:2.800   1st Qu.:5.100   1st Qu.:1.800   versicolor: 0  

 Median :6.500   Median :3.000   Median :5.550   Median :2.000   virginica :50  

 Mean   :6.588   Mean   :2.974   Mean   :5.552   Mean   :2.026                  

 3rd Qu.:6.900   3rd Qu.:3.175   3rd Qu.:5.875   3rd Qu.:2.300                  

 Max.   :7.900   Max.   :3.800   Max.   :6.900   Max.   :2.500     

它确实有效，结果非常令人惊讶。这是一个类的对象by，沿着Species（例如，对于每个类）计算summary每个变量。

请注意，如果第一个参数是a data frame，则dispatched函数必须具有该类对象的方法。例如，我们将此代码与mean函数一起使用，我们将拥有完全没有意义的代码：

 by(iris, iris$Species, mean)

iris$Species: setosa

[1] NA

------------------------------------------- 

iris$Species: versicolor

[1] NA

------------------------------------------- 

iris$Species: virginica

[1] NA

Warning messages:

1: In mean.default(data[x, , drop = FALSE], ...) :

  argument is not numeric or logical: returning NA

2: In mean.default(data[x, , drop = FALSE], ...) :

  argument is not numeric or logical: returning NA

3: In mean.default(data[x, , drop = FALSE], ...) :

  argument is not numeric or logical: returning NA

骨料

aggregatetapply如果我们以这种方式使用它，可以被视为另一种不同的使用方式。

at <- tapply(iris$Sepal.Length , iris$Species , mean)

ag <- aggregate(iris$Sepal.Length , list(iris$Species), mean)

 at

    setosa versicolor  virginica 

     5.006      5.936      6.588 

 ag

     Group.1     x

1     setosa 5.006

2 versicolor 5.936

3  virginica 6.588

两个直接的区别是第二个参数aggregate 必须是一个列表，而tapply can（非强制性）是一个列表，输出aggregate是一个数据帧，而一个tapply是array。

它的强大之aggregate处在于它可以使用subset参数轻松处理数据的子集，并且它还具有ts对象的方法formula。

在某些情况下aggregate，这些元素更容易使用tapply。以下是一些示例（可在文档中找到）：

ag <- aggregate(len ~ ., data = ToothGrowth, mean)

 ag

  supp dose   len

1   OJ  0.5 13.23

2   VC  0.5  7.98

3   OJ  1.0 22.70

4   VC  1.0 16.77

5   OJ  2.0 26.06

6   VC  2.0 26.14

我们可以实现相同，tapply但语法稍微困难，输出（在某些情况下）可读性较差：

att <- tapply(ToothGrowth$len, list(ToothGrowth$dose, ToothGrowth$supp), mean)

 att

       OJ    VC

0.5 13.23  7.98

1   22.70 16.77

2   26.06 26.14

还有一些时候我们不能使用by或者tapply我们必须使用aggregate。

 ag1 <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, mean)

 ag1

  Month    Ozone     Temp

1     5 23.61538 66.73077

2     6 29.44444 78.22222

3     7 59.11538 83.88462

4     8 59.96154 83.96154

5     9 31.44828 76.89655

我们无法tapply在一次调用中获得先前的结果，但我们必须计算Month每个元素的平均值然后将它们组合起来（还要注意我们必须调用它na.rm = TRUE，因为函数的formula方法aggregate默认情况下是这样的na.action = na.omit）：

ta1 <- tapply(airquality$Ozone, airquality$Month, mean, na.rm = TRUE)

ta2 <- tapply(airquality$Temp, airquality$Month, mean, na.rm = TRUE)

 cbind(ta1, ta2)

       ta1      ta2

5 23.61538 65.54839

6 29.44444 79.10000

7 59.11538 83.90323

8 59.96154 83.96774

9 31.44828 76.90000

虽然by我们实际上无法实现，但实际上以下函数调用会返回错误（但很可能与提供的函数有关mean）：

by(airquality[c("Ozone", "Temp")], airquality$Month, mean, na.rm = TRUE)

其他时候结果是相同的，差异只是在类中（然后它是如何显示/打印的，而不仅仅是 - 例如，如何将其子集化）对象：

byagg <- by(airquality[c("Ozone", "Temp")], airquality$Month, summary)

aggagg <- aggregate(cbind(Ozone, Temp) ~ Month, data = airquality, summary)

以前的代码实现了相同的目标和结果，在某些方面，使用的工具只是个人品味和需求的问题; 前两个对象在子集方面有非常不同的需求。