R while在apply中的函数中循环

我有这样一个数据帧：

df <- data.frame(A=1:10, B=3, C=17)

for (i in 1:nrow(df)) {
  print(fun_iter(df[i, ]))
}

正确返回3的平方根。此外，我可以使用for循环循环遍历数据帧，如下所示：

df <- data.frame(A=1:10, B=3, C=17)

for (i in 1:nrow(df)) {
  print(fun_iter(df[i, ]))
}

这给了我列“A”中所有值的平方根。但是，由于我有一个相当大的数据帧，我想使用“应用”或“映射”或类似的高效方式来获取输出，但它总是返回以下错误：

apply(df, 2, fun_iter)

Error in while (diff > 0.01) { : Missing Value, where TRUE/FALSE is needed

---

因此，似乎apply在评估函数中的“while”条件时遇到了问题。“map”、“mapply”、“do.call”也会发生同样的情况。非常感谢对解决此问题的任何提示。

根据评论中的说明，我们可以使用其中一个对行进行迭代。对于那些有名称的解决方案，如果不需要，请在结果上使用

unname

# 1
nr <- nrow(df)
sapply(1:nr, function(i) fun_iter(df[i, ]))
##  [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
##  [9] 3.000000 3.162278

# 2
do.call("c", by(df, 1:nr, fun_iter, simplify = FALSE))
##        1        2        3        4        5        6        7        8 
## 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427 
##        9       10 
## 3.000000 3.162278 

# 3
sapply(split(df, 1:nr), fun_iter)
##        1        2        3        4        5        6        7        8 
## 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427 
##        9       10 
## 3.000000 3.162278 

CRAN上还有许多列表理解包（comprer、eList、listcmpr）。比如说,

# 5
library(listcompr)
gen.vector(fun_iter(df[i, ]), i = 1:nr)
## [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
## [9] 3.000000 3.162278

# 6
library(comprehenr)
to_vec(for(i in 1:nr) fun_iter(df[i, ]))
## [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
## [9] 3.000000 3.162278

古老的 我们遵循问题下方的注释，但我们只传递

df[“A”]

，因为

apply

将强制输入到普通向量，如果有任何列是空的，则可能导致行变为字符。通过使用

df[“A”]

我们可以避免这种情况

apply(df["A"], 1, fun_iter)
##  [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
##  [9] 3.000000 3.162278

如果将函数编写为接受

A

而不是

df

，则会更简单，而且由于列不需要命名为A，因此也可以避免上述问题。我们已经留下了原来的名字，但你可以考虑使用更短的名字。函数中使用的过于冗长的命名只会增加很少的内容，实际上会使代码变得模糊

fun_iter2 <- function(A, diff = 10) {
  sqrt_iter <- A
  while(diff > 0.01) {
      sqrt_iter_new <- (sqrt_iter + A / sqrt_iter) / 2
      diff <- abs(sqrt_iter - sqrt_iter_new)
      sqrt_iter <- sqrt_iter_new
  }
  sqrt_iter
}
sapply(df$A, fun_iter2)
## [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
## [9] 3.000000 3.162278

---

fun\u iter2
apply
只是一个伪装的循环。它不会给你矢量化带来的同样的速度提升（假设矢量化是可能的）。即使你得到了正确的细节，你也可能会对结果感到失望。试试这个应用（df，1，fun_iter）它很有效，谢谢！我似乎对apply中“1”和“2”的方向感到困惑，尽管使用了多年。可能与以下答案中描述的输入格式有关。谢谢@约翰·科尔曼：谢谢，很遗憾，矢量化是不可能的。我更喜欢将

应用于for循环，这样我就不必将每个迭代步骤写入预定义的数据框架。我使用了df[“a”]，因为我有多个变量作为输入（到目前为止有20个，它将变得更多）。因此，我认为将整个df作为输入是最容易的。但正如您所指出的，“应用”将其更改为character，以您的方式提供变量可能是不可避免的。谢谢请参阅修改后的答案。感谢您提供备选方案<代码>应用（df，1，fun_iter）对我来说是删除带有名称的向量后最快的。

sapply

函数的速度要慢得多（慢了18倍！），这可能与数据存储在数据帧中并首先将其转换为矩阵有关。如果矩阵都是数值的，你可以从一开始就尝试将它存储在矩阵中。另外，如果你将矩阵存储为转置，然后使用

m，那么矩阵是逐列存储的
fun_iter2 <- function(A, diff = 10) {
  sqrt_iter <- A
  while(diff > 0.01) {
      sqrt_iter_new <- (sqrt_iter + A / sqrt_iter) / 2
      diff <- abs(sqrt_iter - sqrt_iter_new)
      sqrt_iter <- sqrt_iter_new
  }
  sqrt_iter
}
sapply(df$A, fun_iter2)
## [1] 1.000000 1.414216 1.732051 2.000000 2.236069 2.449494 2.645767 2.828427
## [9] 3.000000 3.162278