R中的嵌套循环具有两级变化

Question

亲爱的堆栈溢出社区，您好，

这是我的问题的背景：我有一个数据框，每一列对应一个蝙蝠物种，每一行对应一晚测量的声学活动（对于记录的每一晚，并非所有物种都被采样） .

例如：

> Dataset
   Bba Ese Hsa Mda Mda.Mca Mema Mpu
1     3  NA  NA  NA      33   NA  NA
2    NA  NA  NA  NA       1   NA  NA
3     2   4   1  NA      19    1  NA
4    NA  NA  NA  NA      25   NA  NA
5    NA  NA  NA  NA       3   NA  NA
6     1   1  NA  NA      53   NA  NA
7     1  NA   9  NA      NA    1  NA
8    NA  NA  10  NA      NA   NA  NA
9    NA  NA  NA  NA      NA   NA  NA
10    1   1  NA  NA      NA   NA  NA
11    6  NA  NA  NA      NA   NA  NA
12   12  NA   1  NA      NA    1  NA
13    3  NA   2  NA      NA    1  NA
14    1  NA  NA  NA      NA   NA  NA
15   NA  NA  NA  NA      NA   NA  NA
16    1  NA  NA  NA      NA   NA  NA
17    2  NA  NA  NA      NA    2  NA
18    1   1  NA  NA      NA   NA   1
19   NA  NA  NA  NA      NA   NA  NA
20    1   1  NA  NA      NA   NA  NA
21    2  NA   1  NA      NA   NA  NA
22    1  NA  NA  NA      NA    4  NA
23    1  NA   1  NA      NA    1  NA
24   NA  NA  NA  NA      NA    2  NA
25    1  NA  NA  NA      NA   NA  NA
26    1  NA  NA  NA      NA    1  NA
27    1  NA  NA  NA      NA   NA  NA
28    5  NA  NA  NA      NA   NA  NA
29   NA  NA  NA  NA      NA   NA  NA
.....

为了研究声音活动，我正在检查每个物种的蝙蝠声音活动的分位数

apply(Dataset[,9:15],2,quantile, na.rm=TRUE, type=7, c(0.02,0.25,0.5,0.75,0.98))
      Bba   Ese    Hsa    Mda Mda.Mca  Mema Mpu
2%   1.00  1.00   1.00   1.00    1.00  1.00   1
25%  1.00  1.00   2.00   2.00    2.00  1.00   1
50%  3.00  4.00   6.00   4.00    3.00  2.00   2
75%  9.75 12.00  18.00  12.00   20.00  4.00   6
98% 53.86 69.88 166.12 313.32  159.04 27.28  44

为了测试抽样（夜数）对我的分位数估计的影响，我想做一个 boostrap。更具体地说，如果我使用 1000 个随机样本替换每个物种只需要 3 晚，我想计算蝙蝠活动的平均值。如果我需要 3 到 70 个晚上，我想这样做。 这是我目前所拥有的（对于一个物种）：

Bbana<-as.data.frame(Bbana)
L= length(Bbana[,1]) 
B= 1000 

m<-list()

for (j in 3:70) {
for (i in 1 : B) {
  idx<-sample(1:L, j, replace=TRUE)
  data_idx<-Bbana[idx, ]
  m[i]<-mean(data_idx)
}}

不知何故，它并没有达到我的预期：67 个列表和 1000 种蝙蝠活动方式。

谁能帮帮我？

（不知道够不够清楚……）

提前致谢

Answer 1

如果你想坚持循环和列表：

for (j in 3:70) {
mat = matrix(NA, nrow = B, ncol = ncol(idx))
for (i in 1 : B) {
  idx<-sample(1:L, j, replace=TRUE)
  data_idx<-Bbana[idx, ]
  mat[i,] = colMeans(data_idx, na.rm = TRUE)
}
m[[j]] = mat
}

否则，此选项应该有效（并且应该更有效/更方便使用）：

sample.fun = function(nb.nights, dataset){
  # select randomly nb.nights rows to sample 
  selected.rows = sample(1:nrow(dataset), nb.nights, replace = FALSE)
  # return a vector with their means
  return(colMeans(dataset[select.rows,], na.rm = TRUE))
}

sapply(3:67, function(nights) replicate(1000, sample.fun(nights, dataset), simplify = 'array'), simplify = FALSE)

这将返回一个包含 67 个元素的列表，每个元素都包含 1000 行的数据框（每个物种 1000 表示）