Вызовите применимую функцию для каждой строки данных с несколькими аргументами из каждой строки

Ответ 1

Вы можете применить apply к подмножеству исходных данных.

 dat <- data.frame(x=c(1,2), y=c(3,4), z=c(5,6))
 apply(dat[,c('x','z')], 1, function(x) sum(x) )

или если ваша функция является просто суммой, используйте векторизованную версию:

rowSums(dat[,c('x','z')])
[1] 6 8

Если вы хотите использовать testFunc

 testFunc <- function(a, b) a + b
 apply(dat[,c('x','z')], 1, function(x) testFunc(x[1],x[2]))

EDIT Чтобы получить доступ к столбцам по имени и не индексу, вы можете сделать что-то вроде этого:

 testFunc <- function(a, b) a + b
 apply(dat[,c('x','z')], 1, function(y) testFunc(y['z'],y['x']))

Ответ 2

A data.frame является list, поэтому...

Для векторных функций do.call обычно является хорошей ставкой. Но имена аргументов вступают в игру. Здесь ваш testFunc вызывается с args x и y вместо a и b. ... позволяет передавать несоответствующие аргументы без возникновения ошибки:

do.call( function(x,z,...) testFunc(x,z), df )

Для не-векторизованных функций, mapply будет работать, но вам нужно сопоставить порядок аргументов или явно называть их:

mapply(testFunc, df$x, df$z)

Иногда apply будет работать - как при всех аргументах одного типа, поэтому принудительное преобразование data.frame в матрицу не вызывает проблем путем изменения типов данных. Ваш пример был такого рода.

Если ваша функция должна быть вызвана внутри другой функции, в которую все переданные аргументы, существует гораздо более тонкий метод, чем эти. Изучите первые строки тела lm(), если вы хотите пройти этот маршрут.

Ответ 3

Используйте mapply

> df <- data.frame(x=c(1,2), y=c(3,4), z=c(5,6))
> df
  x y z
1 1 3 5
2 2 4 6
> mapply(function(x,y) x+y, df$x, df$z)
[1] 6 8

> cbind(df,f = mapply(function(x,y) x+y, df$x, df$z) )
  x y z f
1 1 3 5 6
2 2 4 6 8

Ответ 4

Новый ответ с пакетом dplyr

Если функция, которую вы хотите применить, векторизована, то вы можете использовать функцию mutate из пакета dplyr:

> library(dplyr)
> myf <- function(tens, ones) { 10 * tens + ones }
> x <- data.frame(hundreds = 7:9, tens = 1:3, ones = 4:6)
> mutate(x, value = myf(tens, ones))
  hundreds tens ones value
1        7    1    4    14
2        8    2    5    25
3        9    3    6    36

Старый ответ с пакетом plyr

По моему скромному мнению, инструмент, наиболее подходящий для задачи, mdply из пакета plyr.

Пример:

> library(plyr)
> x <- data.frame(tens = 1:3, ones = 4:6)
> mdply(x, function(tens, ones) { 10 * tens + ones })
  tens ones V1
1    1    4 14
2    2    5 25
3    3    6 36

К сожалению, как Бертан Брукзема, этот подход терпит неудачу, если вы не используете все столбцы кадра данных в вызове mdply. Например,

> library(plyr)
> x <- data.frame(hundreds = 7:9, tens = 1:3, ones = 4:6)
> mdply(x, function(tens, ones) { 10 * tens + ones })
Error in (function (tens, ones)  : unused argument (hundreds = 7)

Ответ 5

Многие функции уже векторизуются, поэтому нет необходимости в каких-либо итерациях (ни функции for, ни функции *pply). Ваш testFunc - один из таких примеров. Вы можете просто позвонить:

  testFunc(df[, "x"], df[, "z"])

В общем, я бы рекомендовал сначала попробовать такие подходы к векторизации и посмотреть, принесут ли вы ваши намеченные результаты.

В качестве альтернативы, если вам нужно передать несколько аргументов функции, которая не является векторизованной, mapply может быть тем, что вы ищете:

  mapply(power.t.test, df[, "x"], df[, "z"])

Ответ 6

Другие правильно указали, что для этой цели создан mapply, но (для полноты) концептуально более простой метод - просто использовать цикл for.

for (row in 1:nrow(df)) { 
    df$newvar[row] <- testFunc(df$x[row], df$z[row]) 
}

Ответ 7

Вот альтернативный подход. Это более интуитивно понятно.

Один из ключевых аспектов, которые я чувствую, некоторые из ответов не учитывали, что я указываю для потомства, apply() позволяет легко выполнять вычисления строк, но только для матричных (все числовых) данных

операции с столбцами возможны для фреймов данных:

as.data.frame(lapply(df, myFunctionForColumn()))

Чтобы работать с строками, сначала создаем транспонирование.

tdf<-as.data.frame(t(df))
as.data.frame(lapply(tdf, myFunctionForRow()))

Недостатком является то, что я считаю, что R сделает копию вашей таблицы данных. Что может быть проблемой памяти. (Это действительно печально, потому что программно просто для tdf просто быть итератором к исходному df, тем самым сохраняя память, но R не позволяет ссылаться на указатель или итератор.)

Кроме того, связанный с этим вопрос заключается в том, как работать с каждой отдельной ячейкой в ​​фрейме данных.

newdf <- as.data.frame(lapply(df, function(x) {sapply(x, myFunctionForEachCell()}))

Ответ 8

Я пришел сюда в поисках названия функции tidyverse, которое, как я знал, существовало. Добавление этого для (мой) в будущем и для tidyverse энтузиастов: purrrlyr:invoke_rows (purrr:invoke_rows в старых версиях).

С подключением к стандартным методам статистики, как в первоначальном вопросе, пакет метлы, вероятно, помог бы.

Ответ 9

@пользователь20877984 ответ отличная. Поскольку они суммировали его намного лучше, чем мой предыдущий ответ, вот моя (по-видимому, еще неряшливая) попытка применения концепции:

Используя do.call базовым способом:

powvalues <- list(power=0.9,delta=2)
do.call(power.t.test,powvalues)

Работа с полным набором данных:

# get the example data
df <- data.frame(delta=c(1,1,2,2), power=c(.90,.85,.75,.45))

#> df
#  delta power
#1     1  0.90
#2     1  0.85
#3     2  0.75
#4     2  0.45

lapply функция power.t.test для каждой из строк указанных значений:

result <- lapply(
  split(df,1:nrow(df)),
  function(x) do.call(power.t.test,x)
)

> str(result)
List of 4
 $ 1:List of 8
  ..$ n          : num 22
  ..$ delta      : num 1
  ..$ sd         : num 1
  ..$ sig.level  : num 0.05
  ..$ power      : num 0.9
  ..$ alternative: chr "two.sided"
  ..$ note       : chr "n is number in *each* group"
  ..$ method     : chr "Two-sample t test power calculation"
  ..- attr(*, "class")= chr "power.htest"
 $ 2:List of 8
  ..$ n          : num 19
  ..$ delta      : num 1
  ..$ sd         : num 1
  ..$ sig.level  : num 0.05
  ..$ power      : num 0.85
... ...

Ответ 10

Если столбцы data.frame представляют разные типы, проблема с apply(). Тонкость итерации строк - это то, как apply(a.data.frame, 1, ...) делает неявное преобразование типов в типы символов, когда столбцы являются разными типами; например. числовой и числовой столбцы. Вот пример, используя фактор в одном столбце, чтобы изменить числовой столбец:

mean.height = list(BOY=69.5, GIRL=64.0)

subjects = data.frame(gender = factor(c("BOY", "GIRL", "GIRL", "BOY"))
         , height = c(71.0, 59.3, 62.1, 62.1))

apply(height, 1, function(x) x[2] - mean.height[[x[1]]])

Вычитание не выполняется, потому что столбцы преобразуются в типы символов.

Одно исправление заключается в обратном преобразовании второго столбца в число:

apply(subjects, 1, function(x) as.numeric(x[2]) - mean.height[[x[1]]])

Но конверсий можно избежать, оставив столбцы раздельными и используя mapply():

mapply(function(x,y) y - mean.height[[x]], subjects$gender, subjects$height)

mapply() необходимо, потому что [[ ]] не принимает векторный аргумент. Итак, столбец итерация может быть выполнена до вычитания путем пропускания вектора в [], немного более уродливым кодом:

subjects$height - unlist(mean.height[subjects$gender])

Ответ 11

data.table есть интуитивно понятный способ сделать это:

library(data.table)

sample_fxn = function(x,y,z){
    return((x+y)*z)
}

df = data.table(A = 1:5,B=seq(2,10,2),C = 6:10)
> df
   A  B  C
1: 1  2  6
2: 2  4  7
3: 3  6  8
4: 4  8  9
5: 5 10 10

Оператор := можно вызывать в скобках, чтобы добавить новый столбец с помощью функции

df[,new_column := sample_fxn(A,B,C)]
> df
   A  B  C new_column
1: 1  2  6         18
2: 2  4  7         42
3: 3  6  8         72
4: 4  8  9        108
5: 5 10 10        150

Также легко принять константы в качестве аргументов, используя этот метод:

df[,new_column2 := sample_fxn(A,B,2)]

> df
   A  B  C new_column new_column2
1: 1  2  6         18           6
2: 2  4  7         42          12
3: 3  6  8         72          18
4: 4  8  9        108          24
5: 5 10 10        150          30