如何将函数应用于data.frame的每个元素？

我想将一个数值转换成一个因子，如果该值低于-2，则“向下”应为因子，如果该值高于2，则“向上”并介于“无变化”之间：

到目前为止，我考虑创建一个函数：

classifier <- function(x){
    if (x >= 2){
      return(as.factor("up"))
    }else if (x <= -2){
      return(as.factor("down"))
    }else {
      return(as.factor("no_change"))
    }
}

---

我通常不喜欢

ifelse（）

，所以我可能会引入一个新的向量，并以不同的方式处理这个问题

factorized <- rep("no_change", length(mock_data))
factorized[mock_data > 2]  <- "up"
factorized[mock_data < -2]  <- "down"
factorized <- as.factor(factorized)
#> factorized
#[1] no_change no_change no_change down      up        up        down      down      up        no_change no_change up        no_change no_change up       
#Levels: down no_change up

---

factorized 2]使用带有行和列标识符的
apply

apply(yourDF, c(1, 2), classifier)

这用于将函数应用于
data.frame
的每个单元格。它可能对向量不起作用
 使用
DF我不知道它可以用于所有的data.frame，谢谢！那以后可能会派上用场on@Llopis事实上，
apply
在一个数组上工作，返回取决于应用程序生成的内容。它对data.frame输入调用
as.matrix
，从而将不同类型的列强制为同一类型。我希望这是最快的解决方案之一，但函数的目的是针对这种情况。谢谢你指出这一点。@Llopis，没有。我还没有测试过，但我确信RHertel的答案会更快。这只是基本的子集设置，这将是非常有效的。我希望看到这些的基准，我的data.frames可以有20532行和1000列。。。越快越好：）@Llopis，完成了。正如你在我的回答中所看到的，基准测试通常很容易做到。你可能对我回答中的基准测试感兴趣。这确实很有趣。非常感谢，@AnandaMahto
mock_data <- c(1.11004611710086, -1.86842617811635, 1.72159335808828, -2.68788822228089, 
           2.72551498375833, 3.67290901951492, -4.00984475389123, -2.39582793787122, 
           4.22395745059475, -0.360892189200968, 1.35027756914496, 2.89919016882777, 
           -0.158692332915962, -0.950306688901037, 3.39141107397154)

apply(yourDF, c(1, 2), classifier)

DF[] <- lapply(DF, cut, c(-Inf, -2, 2, Inf), c("down", "no_change", "up"))

head(DF)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width
## 1           up          up    no_change   no_change
## 2           up          up    no_change   no_change
## 3           up          up    no_change   no_change
## 4           up          up    no_change   no_change
## 5           up          up    no_change   no_change
## 6           up          up    no_change   no_change

tail(DF)
##     Sepal.Length Sepal.Width Petal.Length Petal.Width
## 145           up          up           up          up
## 146           up          up           up          up
## 147           up          up           up   no_change
## 148           up          up           up   no_change
## 149           up          up           up          up
## 150           up          up           up   no_change

cut(mock_data, c(-Inf, -2, 2, Inf), c("down", "no_change", "up"))
##  [1] no_change no_change no_change down      up        up        down     
##  [8] down      up        no_change no_change up        no_change no_change
## [15] up       
## Levels: down no_change up

set.seed(1)
nrow = 20000
ncol = 1000
x <- as.data.frame(matrix(runif(nrow * ncol, min=-5, max=5), ncol = ncol))

factorize <- function(invec) {
  factorized <- rep("no_change", length(invec))
  factorized[invec > 2]  <- "up"
  factorized[invec < -2]  <- "down"
  factor(factorized, c("down", "no_change", "up"))
}

RHfun <- function(indf = x) {
  indf[] <- lapply(indf, factorize)
  indf
}

AMfun <- function(DF = x) {
  DF[] <- lapply(DF, cut, c(-Inf, -2, 2, Inf), c("down", "no_change", "up"))
  DF
}

library(microbenchmark)
microbenchmark(AMfun(), RHfun(), times = 10)
# Unit: seconds
#     expr      min       lq     mean   median       uq       max neval
#  AMfun() 7.501814 8.015532 8.852863 8.731638 9.660191 10.198983    10
#  RHfun() 1.437696 1.485791 1.723402 1.574507 1.637139  2.528574    10