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 1:2 -
3，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。