下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容。栏目后续章节的文章将深入概括R语言在临床研究和新药创新领域的应用,填补了国内R教材中尚未广泛覆盖的部分内容。
欢迎订阅我们专栏
.......前面部分请点击上面链接看原文(原文6371字)
二、遍历函数
apply()
函数可以作用于矩阵和数据框的行或者列。第一个参数指定了函数应用的数据集;第二个参数必须给出将应用函数的维度,1代表行,2代表列;第三个参数是要应用的函数。
# 创建一个矩阵 y,包含从标准正态分布中生成的6个随机数,矩阵大小为2行3列
y <- matrix(rnorm(1:6), 2, 3)
y
# [,1] [,2] [,3]
# [1,] 0.05728972 -0.1897873 -1.5429184
# [2,] -0.15039963 -0.1471385 -0.1534776
# 使用 apply 函数对矩阵 y 的每一行(MARGIN=1)进行求和操作
apply(y, 1, sum)
# [1] -1.6754159 -0.4510157
# 使用 apply 函数对矩阵 y 的每一列(MARGIN=2)找到最大值所在的位置
apply(y, 2, which.max)
# [1] 1 2 2
4、 tapply()函数
tapply()
是 R 语言中的一个函数,用于对数据的子集应用函数并返回结果。它常用于分组数据的汇总统计。tapply()
可以按照因子或因子列表对向量进行分组,然后对每个分组应用指定的函数。以下是 tapply()
函数的一般用法:
tapply(X, INDEX, FUN = NULL, ..., simplify = TRUE)
X
:要处理的向量。INDEX
:一个因子或因子列表,用于定义X
中元素的分组。FUN
:要应用的函数。...
:传递给FUN
的其他参数。simplify
:逻辑值,指示是否对结果进行简化。
假设我们有一个向量 data
,表示一些数据值,以及一个因子 group
,表示每个数据值所属的组。我们可以使用 tapply()
按组计算均值。
# 示例数据
data <- c(10, 20, 30, 40, 50, 60)
group <- factor(c("A", "A", "B", "B", "C", "C"))
# 按组计算均值
result <- tapply(data, group, mean)
print(result)
结果是:
A B C
15 35 55
假设我们有两个因子 group1
和 group2
,我们可以使用 tapply()
按多个因子进行分组。
# 示例数据
data <- c(10, 20, 30, 40, 50, 60)
group1 <- factor(c("A", "A", "B", "B", "C", "C"))
group2 <- factor(c("X", "Y", "X", "Y", "X", "Y"))
# 按多个因子分组计算均值
result <- tapply(data, list(group1, group2), mean)
print(result)
结果是:
X Y
A 10 20
B 30 40
C 50 60
组 A 和 X 的均值为 10,这是因为在 data 中与 group1 = A 且 group2 = X 对应的值是 10;组 A 和 Y 的均值为 20,原因是 data 中与 group1 = A 且 group2 = Y 对应的值是 20;组 B 和 X 的均值为 30,是由于 data 中与 group1 = B 且 group2 = X 对应的值是 30;组 B 和 Y 的均值为 40,是因为 data 中与 group1 = B 且 group2 = Y 对应的值是 40;组 C 和 X 的均值为 50,因为 data 中与 group1 = C 且 group2 = X 对应的值是 50;组 C 和 Y 的均值为 60,是由于 data 中与 group1 = C 且 group2 = Y 对应的值是 60。通过上述代码示例,能够清晰地看到 tapply() 函数是如何按照多个因子进行分组,并针对每个分组应用指定的函数(此处为 mean),最终得到一个涵盖各组均值的矩阵。
5、mapply()函数
mapply()
函数是lapply
函数的多元版本。它可以对多个列表中的元素进行并行的函数求值。
# 定义一个函数,该函数将两个数相加
add <- function(x, y) {
return(x + y)
}
# 创建两个列表
list1 <- list(1, 2, 3)
list2 <- list(4, 5, 6)
# 使用 mapply() 对两个列表中的元素进行并行求和
result <- mapply(add, list1, list2)
# 打印结果
print(result)
结果是:
[1] 5 7 9
首先,定义了一个能接受两个参数并返回它们和的函数 add 。接着创建了分别包含三个数的两个列表 list1 和 list2 。使用 mapply() 函数时,其传入的第一个参数是函数 add ,随后是要并行处理的两个列表 list1 和 list2 。mapply(add, list1, list2) 会对 list1 和 list2 中的对应元素进行并行求和,第一次调用 add(1, 4) 返回 5 ,第二次调用 add(2, 5) 返回 7 ,第三次调用 add(3, 6) 返回 9 ,最终 mapply() 函数返回的结果是一个向量 [5, 7, 9] 。
通过对 R 语言的循环与遍历函数的全面解析,我们已经初步了解了其内部的工作原理、多样的应用方法以及在实际编程中的重要性,为我们在以后的数据分析工作中提供灵活而高效的数据处理手段。
在这里,你学到的并非仅仅是 R 的某一个技巧,而是能够从零开始,深入且系统地学习 R 语言。此外,本专栏每周至少定期更新三篇文章,每篇文章篇幅均在 5000 字以上。而且,对于已经发表的知识点,我们也会根据新的技术或理解及时进行更新,这是纸质版图书无法做到的。为了让更多的忠实粉丝和同学们享受到实惠,本专栏采用折扣定价策略。随着章节的不断完成,折扣力度会逐渐减小。所以,现在正是订阅的最佳时机!
https://blog.csdn.net/2301_79425796/category_12729892.html?spm=1001.2014.3001.5482
第一章:认识数据科学和R
1章1节:数据科学的发展历程,何 R 备受青睐及我们专栏的独特之处(更新20240822)-CSDN博客
1章2节:关于人工智能、机器学习、统计学连和机器学习、R 与 ChatGPT 的探究 (更新20240814)-CSDN博客
1章3节:R 语言的产生与发展轨迹(更新2024/08/14)-CSDN博客
1章4节:数据可视化, R 语言的静态绘图和 Shiny 的交互可视化演示(更新20240814)-CSDN博客
第二章:R的安装和数据读取
2章1节:R和RStudio的下载和安装(Windows 和 Mac)_rst语言选择哪个镜像-CSDN博客
2章2节:RStudio 四大区应用全解,兼谈 R 的代码规范与相关文件展示_rstudio的console和terminal-CSDN博客
2章3节:RStudio的高效使用技巧,自定义RStudio环境(更新20240823)_rstudio如何使用-CSDN博客
2章4节:用RStudio做项目管理,静态图和动态图的演示,感受ggplot2的魅力-CSDN博客
2章5节:认识和安装R的扩展包,什么是模糊搜索安装,工作目录和空间的区别与设置(更新20240807 )-CSDN博客
2章6节:R的数据集读取和利用,如何高效地直接复制黏贴数据到R(更新20240807 )_r语言 复制数据集-CSDN博客
2章7节:读写RDS,CSV,TXT,Excel,SPSS、SAS、Stata、Minitab等的数据文件(更新20240807)_r语言读取rds文件-CSDN博客
2章8节:一文学会 R Markdown 的文档核心操作,切记文末有R资源的分享_r markdown文件(.rmd)-CSDN博客
2章9节:认识R与数据库连接和网络爬虫,学会在R中使用SQL语言_sql和r语言-CSDN博客
2章10节:用 R 直接下载并分析 NHANES 数据库的数据,文末示例自创便捷下载函数(更新20240807)_nhanes数据分析-CSDN博客
第三章:认识数据
3章1节:数据的基本概念以及 R 中的数据结构、向量与矩阵的创建及运算-CSDN博客
3章2节:继续讲R的数据结构,数组、数据框和列表-CSDN博客
3章3节:R的赋值操作与算术运算_r里面的赋值-CSDN博客
第四章:数据的预处理
4章1节:全面了解 R 中的数据预处理,通过 R 基本函数实施数据查阅_r数据预处理-CSDN博客
4章2节:从排序到分组和筛选,通过 R 的 dplyr 扩展包来操作-CSDN博客
4章3节:处理医学类原始数据的重要技巧,R语言中的宽长数据转换,tidyr包的使用指南-CSDN博客
4章4节:临床数据科学中如何用R来进行缺失值的处理_临床生存分析缺失值r语言-CSDN博客
4章5节:数据科学中的缺失值的处理,删除和填补的选择,K最近邻填补法-CSDN博客
4章6节:R的多重填补法中随机回归填补法的应用,MICE包的实际应用和统计与可视化评估-CSDN博客
4章7节:用R做数据重塑,数据去重和数据的匹配-CSDN博客
4章8节:用R做数据重塑,行列命名和数据类型转换-CSDN博客
4章9节:用R做数据重塑,增加变量和赋值修改,和mutate()函数的复杂用法_r语言如何在数据集中添加变量-CSDN博客
4章10节:用R做数据重塑,变体函数应用详解和可视化的数据预处理介绍-CSDN博客
4章11节:用R做数据重塑,数据的特征缩放和特征可视化-CSDN博客
4章12节:R语言中字符串的处理,正则表达式的基础要点和特殊字符-CSDN博客
4章13节:R语言中Stringr扩展包进行字符串的查阅、大小转换和排序-CSDN博客
4章14节:R语言中字符串的处理,提取替换,分割连接和填充插值_r语言替换字符串-CSDN博客
4章15节:字符串处理,提取匹配的相关操作扩展,和Stringr包不同函数的重点介绍和举例-CSDN博客
4章16节:R 语言中日期时间数据的关键处理要点_r语言 时刻数据-CSDN博客
第五章:定量数据的统计描述
5章1节:用R语言进行定量数据的统计描述,文末有众数的自定义函数-CSDN博客
5章2节:离散趋势的描述,文末1个简单函数同时搞定20个结果-CSDN博客
5章3节:在R语言中,从实际应用的角度认识假设检验-CSDN博客
5章4节:从R语言的角度认识正态分布与正态性检验-CSDN博客
5章5节:认识方差和方差齐性检验(三种方法全覆盖)-CSDN博客
5章9节:组间差异的非参数检验,Wilcoxon秩和检验和Kruskal-Wallis检验-CSDN博客
第六章:定性数据的统计描述
6章1节:定性数据的统计描述之列联表,文末有优势比计算介绍-CSDN博客
6章2节:认识birthwt数据集,EpiDisplay和Gmodels扩展包的应用-CSDN博客
6章3节:独立性检验,卡方检验,费希尔精确概率检验和Cochran-Mantel-Haenszel检验-CSDN博客
6章4节:相关关系和连续型变量的Pearson相关分析-CSDN博客
6章5节:分类型变量的Spearman相关分析,偏相关分析和相关图分析-CSDN博客
6章6节:相关图的GGally扩展包,和制表的Tableone扩展包-CSDN博客
第七章:R的传统绘图
7章1节:认识R的传统绘图系统,深度解析plot()函数和par()函数的使用-CSDN博客
7章2节:R基础绘图之散点图、直方图和概率密度图-CSDN博客
7章5节:散点矩阵图,与小提琴图、Cleveland 点图、马赛克图和等高图-CSDN博客
7章6节:用R进行图形的保存与导出,详细的高级图形输出,一文囊括大多数保存的各种问题,和如何批量保存不同情况的图形-CSDN博客
第八章:R的进阶绘图
8章1节:认识 ggplot2 扩展包,深度解析 qplot() 函数的使用-CSDN博客
8章2节:深度讲解 ggplot2 的绘图步骤,理解其核心逻辑, 和 ggplot()函数-CSDN博客
8章3节:用R来绘制医学地理图,文末有具体完整代码-CSDN博客
8章4节:维恩图的认识与应用,和使用UpSet图-CSDN博客
8章8节:绘制自定义的高质量动态图和交互式动态图-CSDN博客
第九章:临床试验的统计
9章4节:两组例数相同的均数比较的样本量估计和绘制功效曲线-CSDN博客
9章5节:两组的例数不等的均数比较的样本量估计和可视化-CSDN博客
9章6节:自身配对设计的均数比较临床试验的样本量估计和可视化-CSDN博客
9章8节: 两、三组试验组率比较的样本量估算和可视化-CSDN博客
9章9节:试验的随机分组认识,用R做简单随机化-CSDN博客
9章11节:用R实现区组随机化和置换区组随机化-CSDN博客
9章12节:动态随机化方法介绍,和用R绘制随机化卡片-CSDN博客
第十章:Meta分析攻略
10章1节:认识循证医学中的Meta分析,并予代码演示分析绘图-CSDN博客
10章2节:Meta分析的7大步骤的扼要解读-CSDN博客
10章3节:二分类变量的Meta分析模型,分析公式构建和结果解读-CSDN博客