假设我有一个2乘矩阵和一个将2向量作为其参数之一的函数。我想将函数应用于矩阵的每一行并获取一个n向量。如何在R中执行此操作？
例如，我想在三个点上计算2D标准正态分布的密度：
bivariate.density(x = c(0, 0), mu = c(0, 0), sigma = c(1, 1), rho = 0){
exp(-1/(2*(1-rho^2))*(x[1]^2/sigma[1]^2+x[2]^2/sigma[2]^2-2*rho*x[1]*x[2]/(sigma[1]*sigma[2]))) * 1/(2*pi*sigma[1]*sigma[2]*sqrt(1-rho^2))
}
out <- rbind(c(1, 2), c(3, 4), c(5, 6))如何将函数应用于的每一行out？
如何以指定的方式将除点以外的其他参数的值传递给您？
Answers:
您只需使用以下apply()功能：
R> M <- matrix(1:6, nrow=3, byrow=TRUE)
R> M
[,1] [,2]
[1,] 1 2
[2,] 3 4
[3,] 5 6
R> apply(M, 1, function(x) 2*x[1]+x[2])
[1] 4 10 16
R> 这需要一个矩阵，并将（傻）函数应用于每一行。您将额外的参数作为的第四，第五，...参数传递给函数apply()。
apply()-它按行扫描（第二个arg为1时，否则为列），并且当前行（或col）始终是第一个参数。这就是事物的定义方式。
MARGIN参数。此处表示将功能应用于行（中的第一个维度dim(M)）。如果为2，则会将函数应用于列。
如果要应用诸如求和或均值之类的常用函数，则应使用rowSums或，rowMeans因为它们比apply(data, 1, sum)方法要快。否则，请坚持apply(data, 1, fun)。您可以在FUN参数之后传递其他参数（如Dirk已经建议的那样）：
set.seed(1)
m <- matrix(round(runif(20, 1, 5)), ncol=4)
diag(m) <- NA
m
[,1] [,2] [,3] [,4]
[1,] NA 5 2 3
[2,] 2 NA 2 4
[3,] 3 4 NA 5
[4,] 5 4 3 NA
[5,] 2 1 4 4然后，您可以执行以下操作：
apply(m, 1, quantile, probs=c(.25,.5, .75), na.rm=TRUE)
[,1] [,2] [,3] [,4] [,5]
25% 2.5 2 3.5 3.5 1.75
50% 3.0 2 4.0 4.0 3.00
75% 4.0 3 4.5 4.5 4.00这是将函数应用于矩阵的每一行的简短示例。（此处，所应用的函数将每一行标准化为1。）
注意：的结果apply()必须使用进行转置t()以获得与输入矩阵相同的布局A。
A <- matrix(c(
0, 1, 1, 2,
0, 0, 1, 3,
0, 0, 1, 3
), nrow = 3, byrow = TRUE)
t(apply(A, 1, function(x) x / sum(x) ))结果：
[,1] [,2] [,3] [,4]
[1,] 0 0.25 0.25 0.50
[2,] 0 0.00 0.25 0.75
[3,] 0 0.00 0.25 0.75第一步是制作函数对象，然后应用它。如果希望矩阵对象具有相同的行数，则可以对其进行预定义，并使用object []形式，如图所示（否则，返回值将简化为向量）：
bvnormdens <- function(x=c(0,0),mu=c(0,0), sigma=c(1,1), rho=0){
exp(-1/(2*(1-rho^2))*(x[1]^2/sigma[1]^2+
x[2]^2/sigma[2]^2-
2*rho*x[1]*x[2]/(sigma[1]*sigma[2]))) *
1/(2*pi*sigma[1]*sigma[2]*sqrt(1-rho^2))
}
out=rbind(c(1,2),c(3,4),c(5,6));
bvout<-matrix(NA, ncol=1, nrow=3)
bvout[] <-apply(out, 1, bvnormdens)
bvout
[,1]
[1,] 1.306423e-02
[2,] 5.931153e-07
[3,] 9.033134e-15如果要使用默认参数以外的其他参数，则该调用应在函数后包含命名参数：
bvout[] <-apply(out, 1, FUN=bvnormdens, mu=c(-1,1), rho=0.6)apply（）也可以用于高维数组，并且MARGIN参数可以是向量，也可以是单个整数。
Apply可以很好地完成工作，但是速度很慢。使用sapply和vapply可能会有用。dplyr的按行排序也可能有用。让我们看一个如何对任何数据帧进行按行乘积的示例。
a = data.frame(t(iris[1:10,1:3]))
vapply(a, prod, 0)
sapply(a, prod)请注意，在使用vapply / sapply / apply之前分配变量是一种很好的做法，因为它可以节省大量时间。让我们看看微基准测试结果
a = data.frame(t(iris[1:10,1:3]))
b = iris[1:10,1:3]
microbenchmark::microbenchmark(
apply(b, 1 , prod),
vapply(a, prod, 0),
sapply(a, prod) ,
apply(iris[1:10,1:3], 1 , prod),
vapply(data.frame(t(iris[1:10,1:3])), prod, 0),
sapply(data.frame(t(iris[1:10,1:3])), prod) ,
b %>% rowwise() %>%
summarise(p = prod(Sepal.Length,Sepal.Width,Petal.Length))
)仔细看看如何使用t（）
b <- t(iris[1:10, 1:3])和，比较申请家庭可能更公平apply(b, 2 prod)。