如何使用 apply 语句而不是 for 循环来执行此代码？答案

【问题标题】：How do I perform this code using apply statements instead of this for loop?如何使用 apply 语句而不是 for 循环来执行此代码？
【发布时间】：2018-06-22 10:40:45
【问题描述】：

我有一个数据框列表，其中 df 中的每一列对应于对来自相同长度的不同数字向量的函数值的评估。每个列表对象（数据框）都是用不同的函数生成的

我想遍历每个列表对象（数据框）以 1. 为每个列表对象（数据框）生成一个图，以列作为数据系列。 2. 生成新数据框的新列表，其中包含原始数据框的每一列均值的列

下面的代码是功能性的，但是有没有更好的方法来使用 apply 语句并避免 for 循环？

plots <- list()
trait.estimate <- list()

 for(i in 1:length(component.estimation)) {  #outter loop start
  component.estimation[[i]]$hr <- hr #add hr vector to end of dataframe 
  temporary.df <- melt(component.estimation[[i]] ,  id.vars = 'hr', variable.name = 'treatment')

 #Store a plot of each df
plots[[i]] <- ggplot(temporary.df, aes(hr , value), group = treatment, colour = treatment, fill = treatment) +
  geom_point(aes(colour = treatment, fill = treatment))+
  geom_line(aes(colour= treatment, linetype = treatment))+
  ggtitle( names(component.estimation)[i])+  #title to correspond to trait
  theme_classic()

  #Generate column averages for each df
trait.estimate[[i]] <- apply(component.estimation[[i]] ,2, mean)
trait.estimate[[i]] <- as.data.frame(trait.estimate[[i]])
trait.estimate[[i]]$treatment <- row.names(trait.estimate[[i]])
  } #outter loop close

【问题讨论】：

请提供样本数据
您的for 循环对我来说看起来不错，我不会担心转换到lapply。就我个人而言，我认为lapply 非常适合当你想做一些简单的事情，但当你想做一些更复杂的事情时，（或一次做多项事情）for 循环是有意义的。

标签： r list dataframe ggplot2 apply

【解决方案1】：

您的for 循环对我来说看起来不错，我不会担心转换到lapply。就我个人而言，我认为lapply 非常适合你想做一些简单的事情，但当你想做一些更复杂的事情时，for 循环也同样具有可读性。

我要做的唯一真正改变是使用colMeans 而不是apply(., 2, mean)。我也可能将trait.estimate 部分和绘图部分分开，因为它们看起来完全是独立的操作。在组织上看起来更好。

例如，提取trait.estimate 计算将如下所示：

# inside for loop version
trait.estimate[[i]] <- colMeans(component.estimation[[i]])
trait.estimate[[i]] <- as.data.frame(trait.estimate[[i]])
trait.estimate[[i]]$treatment <- row.names(trait.estimate[[i]])

# outside for loop lapply version
trait.estimate = lapply(component.estimation, colMeans)
trait.estimate = lapply(trait.estimate, as.data.frame)
trait.estimate = lapply(trait.estimate, function(x) x$treatment = row.names(x))

# all in one lapply version with anonymous function
trait.estimate = lapply(component.estimation, function(x) {
  means = colMeans(x)
  means = as.data.frame(means)
  means$treatment = row.names(means)
  return(means)
})

哪个更好？我将把它留给你来决定。使用任何你喜欢的。

【讨论】：