将for循环转换为apply/lappy/sapply：基于列的操作

假设我有以下

for循环

代码，它非常有效：

for (i in 1:nrow(Dir)) {
    if (is.na(Dir[i, 3]) == TRUE) {
        Dir[i, 3] = Dir[i, 5]/Dir[i, 4]
    }
}

它所做的是检查每一行的列元素，如果有

NA

，它将用一个数字替换

NA

，该数字是将

5列

元素除以

4列

元素得到的

如何将基于列元素的循环的此循环和类似的

转换为使用
apply/lappy/sapply
的代码

如需了解更多有关
apply/lappy/sapply
的信息，请提供任何综合资源。谢谢。
如果您真的想在此处使用
apply
，您可以执行以下操作：

n_rows = 20
Dir = data.frame(
    a = sample(1:100, n_rows),
    b = sample(1:100, n_rows),
    c = sample(c(NA, 1, 2), n_rows, replace = TRUE),
    d = sample(1:100, n_rows),
    e = sample(1:100, n_rows)
)

# MARGIN = 1: apply along the rows (MARGIN = 2 for columns)
Dir$c = apply(Dir, MARGIN = 1, FUN = function(row) {
    if (is.na(row[3])) {
        return(row[5] / row[4])
    } else {
        return(row[3])
    }
})

但是：
应用
对于

循环并不一定比

更快或更有效。矢量化代码，如巴蒂斯特的建议

Dir[ , 3] = ifelse(is.na(Dir[ , 3]), Dir[, 5]/Dir[, 4], Dir[ , 3])

通常比两者都快，只要你的数据足够大，足以使差异变得重要，而且一旦你了解了它的工作原理，就不需要太多的打字就可以写得更少。
Dir[，3]=ifelse（is.na（Dir[，3]），Dir[，5]/Dir[，4]，Dir[，3]）
是数据帧还是矩阵？您可能甚至不需要使用任何类似于
apply
的方法来完成此操作。我还建议您使用列名而不是列号，除非您有令人信服的理由这样做。这是一种误解，即for循环应该始终由*apply函数代替；在某些情况下，for循环与*apply替代方法一样好：它可以更具可读性，并且不会明显减速。然而，在许多情况下，以不同的方式思考问题会提出一个向量化的解决方案，这是一个更好的选择。我不知道是否在任何删除的注释中提到过它，只是为了进一步理解：
is.na（）
操作返回一个布尔向量
TRUE/FALSE
结果。因此，在
if
-语句中使用
is.na（）
（或
is.
类的任何其他运算符）时，不需要将所需结果澄清为
==TRUE
。如果要检查
na==TRUE
状态和
，请使用
is.na（）！is.na（）
如果要检查
na==FALSE
状态。你可以在@Marius的回答中看到这一点。