博文
R语言循环第三境界：purrr包map函数！
||
1. 三境界
R语言写循环有三境界:
手动for循环 apply系列 purrr泛函式编程
其中，手动for循环我最常用，apply系列半吊子，purrr函数越用越趁手，这里介绍一下purrr编写循环的方法。
2. 泛函式函数
「泛函式定义：」
❝函数的函数称为泛函式，map(x,f)中，map是函数，f也是函数，f是map的参数，那么map就是泛函数。
❞
dat = data.frame(y1 = rnorm(10),y2 = rnorm(10)+10) dat map(dat,mean)
这里，map是函数，mean是map的参数。
3. 走两步
「测试数据：」
> dat = data.frame(y1 = rnorm(10),y2 = rnorm(10)+10) > dat y1 y2 1 -0.4535438 10.383757 2 0.7821634 11.186901 3 2.0556094 9.382660 4 1.0848204 8.713453 5 -1.4152480 12.927827 6 -0.2379161 9.938319 7 -1.3191011 9.281052 8 0.4194484 10.323932 9 1.4207450 10.142454 10 -0.1421450 11.015331
「任务：」
❝计算y1和y2两列的平均值
❞
4. 第一境界：for循环
for循环，是编程语言中都有的功能，因为for循环在R语言中速度较慢被各种嫌弃，但是它简单易用，容易理解，所以我写函数时，经常使用for循环镶嵌for循环，乐此不疲。
「看代码：」
re = list() #1
for(i in 1:2){ #2
re[[i]] = mean(dat[,i]) #3
} #4
re #5代码解释：
1，将结果赋值给re，所以先定义一个re的列表，为空 2，因为是两列，所以是 1:23，分别计算平均数 4，循环结束 5，打印结果 re
5. 第二境界：apply家族
apply是一套函数，有很多相关的函数，举几个apply，lapply，sapply，vapply，mapply，tapply，rapply，eapply，我曾经认真的被劝退了好几次，因为理解得不透测，我认为R语言学到apply家族就是我的职业生涯的结束。
❝工作第二年，我开始学习apply家族函数，工作第10年，我还在学习apply家族函数。
❞
「代码：」
> apply(dat,2,mean) y1 y2 0.2194833 10.3295686
dat为数据 第二个为参数 1表示按照行 2表示按照列 mean为平均数函数
6. 第三境界：purrr
学习purrr，可以放弃学习apply家族了，该有的都有，逻辑更清楚，学完之后就能用，完全没有出家的感觉。
❝备注： 这里是指从入门到出家的感觉
❞
purrr包中的函数主要是map，有三类：
map函数，支持一元函数 map2函数，支持二元函数 pmap函数，支持多元函数
学习R语言念咒语：Fish，Fish，give me Fish
这里，我们用map做一个演示：
> library(purrr) > map(dat,mean) $y1 [1] 0.2194833 $y2 [1] 10.32957
用法和apply类似。将其转化为数据框：
> map_df(dat,mean) # A tibble: 1 x 2 y1 y2 <dbl> <dbl> 1 0.219 10.3
用匿名函数试试：
> map_df(dat,~mean(.)) # A tibble: 1 x 2 y1 y2 <dbl> <dbl> 1 0.219 10.3
7. 用purrr演示一个复杂的例子
「批量建模」
用一个多年多点的数据，计算每个地点的方差分析，共有五个地点，用一行map函数全部搞定，是时候展示真正的实力了……
> library(learnasreml) > data(MET) > str(MET) 'data.frame': 400 obs. of 5 variables: $ Year : Factor w/ 2 levels "2009","2010": 1 1 1 1 1 1 1 1 1 1 ... $ Location: Factor w/ 5 levels "CI","FL","KN",..: 3 3 3 3 3 3 3 3 3 3 ... $ Rep : Factor w/ 4 levels "1","2","3","4": 1 1 1 1 1 1 1 1 1 1 ... $ Cul : Factor w/ 10 levels "CalhounGray",..: 3 1 9 2 5 4 7 10 6 8 ... $ Yield : num 56.2 74.2 32.6 74.2 64.8 ...
「代码：」
library(tidyverse) MET %>% split(.$Location) %>% map(.,~aov(Yield ~ Cul,.) %>% summary)
MET为数据 split将Location进行分割，成为list的5个元素 map调用匿名函数进行方差分析 aov为方差分析， Yield ~ Cul为模型summary为显示方差分析结果
「结果：」
> MET %>% split(.$Location) %>% map(.,~aov(Yield ~ Cul,.) %>% summary) $CI Df Sum Sq Mean Sq F value Pr(>F) Cul 9 8696 966.2 3.193 0.00277 ** Residuals 69 20879 302.6 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 1 observation deleted due to missingness $FL Df Sum Sq Mean Sq F value Pr(>F) Cul 9 10151 1127.9 1.565 0.143 Residuals 69 49723 720.6 1 observation deleted due to missingness $KN Df Sum Sq Mean Sq F value Pr(>F) Cul 9 8236 915.1 4.038 0.000338 *** Residuals 70 15863 226.6 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 $SC Df Sum Sq Mean Sq F value Pr(>F) Cul 9 24478 2719.8 5.6 8.42e-06 *** Residuals 70 33996 485.7 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 $TX Df Sum Sq Mean Sq F value Pr(>F) Cul 9 5784 642.6 1.326 0.24 Residuals 69 33429 484.5 1 observation deleted due to missingness
结果可以看到，每个地点都有一个方差分析表，每个元素为地点的方差分析结果。
8. 啥也别说，双击666吧
❝欢迎关注我的公众号：
❞育种数据分析之放飞自我。主要分享R语言，Python，育种数据分析，生物统计，数量遗传学，混合线性模型，GWAS和GS相关的知识。
https://blog.sciencenet.cn/blog-2577109-1290630.html
上一篇：混合线性模型的可视化
下一篇：亲缘关系推断软件：king
