R ddply()

        在学习《概率图模型基于R》的过程中遇到了ddply()，而书中讲解较少，本文内容作为理解书中代码做的补充。也就是服务于这篇博客。若有错误之处，希望大家在留言区指出。

目录

一、 summarize()

二、 summarize() + ddply()

三、 自定义函数 + summarize()

---

        简单地说，ddply(data,variables,fun)就是

1. 对一个表格使用函数

2. 在函数作用前先将表格进行分组

        首先我们建一个简单的表格

> student = data.frame(name=c("a","b","c","d"),
                    years=c(12,13,14,12),
                    math=c(80,90,80,80))
> student
    name years math
1    a    12   80
2    b    13   90
3    c    14   80
4    d    12   80

一、 summarize()

        接下来对这个表格用summarize函数。在此之前，我们先认识一下summarize函数：

> summarize(student,math)
    math
1   80
2   90
3   80
4   80

> summarize(student,name)
    name
1    a
2    b
3    c
4    d

> summarize(student,c(name,math))
c(name, math)
1             a
2             b
3             c
4             d
5            80
6            90
7            80
8            80

        可以看到summarize()，就是把表格里所需要的数据拎出来。

二、 summarize() + ddply()

        现在我们将summarize()作用在表格data0上试试看，为了方便大家比较 summarize()和summarize() + ddply()的区别，我们特意将summarize()的结果也呈现出来：

> summarize(student,math)
    math
1   80
2   90
3   80
4   80

> ddply(student,.(math),summarize,number=length(math))
   math number
1   80      3
2   90      1

        实际上，我们对于对比两个结果之后，可以说很直接就得出了ddply()在这里起的作用，不过是统计math的类别数罢了。我一开始也是没去细究，后来书中代码是将一个自定义的函数作用在表格上，我一下子就搞不懂了。因此，尽管我们很显然的知道了summarize() + ddply()的效果，还是有必要讲一下这个过程。（以下都是我个人猜测的 ╮(╯▽╰)╭）（以下非可执行代码）

ddply(student,.(math),summarize,number=length(math))
这个代码，我是这么理解的，首先关注以下内容（***就是我们不要去关注的内容）
ddply(student,.(math),***,***)
上面的含义就是把表student按.(math)拆分，变成两个小表格，大概（我猜的）像下面这样吧

第一个表格，也就是math=80的行
     name years math
 1    a    12   80
 3    c    14   80
 4    d    12   80

第二个表格，也就是math=90的行
     name years math
 2    b    13   90


然后我们解封一个***，现在关注的是
ddply(student,.(math),summarize,***)
summarize现在就分别作用在我们得到的两个小表格上，同样得到两个结果
但是具体是怎么作用的，目前还是不清楚的，因为函数是在两个表格上作用summarize(***)
因此，我们进一步解封一个***看：
ddply(student,.(math),summarize,number=length(math))
上面这段的含义就是：在第一个小表格
     name years math
 1    a    12   80
 3    c    14   80
 4    d    12   80
上作用summarize(number=length(math))
因此得到
    math number
 1   80      3
在第二个小表格
     name years math
 2    b    13   90
上作用summarize(number=length(math))
因此得到
    math number
 2   90      1

因此总体为
    math number
 1   80      3
 2   90      1

        再补充关于.（math）的含义：

        .()里面可以有多个参数

> ddply(student,.(math),summarize,number=length(math))
   math number
1   80      3
2   90      1

> ddply(student,.(years,math),summarize,number=length(math))
years math number
1    12   80      2
2    13   90      1
3    14   80      1

#写成.()的含义就是说math是在data里面的，我们要在data0里面找math。直接写math是找不到的

三、 自定义函数 + summarize()

        首先我们先给出一个有向图（生成有向图可参考我的另一篇博客），并做一些基本的设置：

> data0 <- data.frame(
	x=c("a","a","a","a","b","b","b","b"),
	y=c("t","t","u","u","t","t","u","u"),
	z=c("c","d","c","d","c","d","c","d"))

> edges0 <- list(x=list(edges=2),y=list(edges=3),z=list())
> g0 <- graphNEL(nodes=names(data0),edgeL=edges0,edgemod="directed") 
> plot(g0)

         为了方便寻找节点（我们以y为例）的父节点（也就是x），我们将有向图翻转：

> rg <- reverseEdgeDirections(g0)
> plot(rg)

> var<-rg@nodes[2] #我们取var为y

> adj(rg,var) #这是一个列表
$y
[1] "x"

> pa <- unlist(adj(rg,var)) #这是一个字符
y 
"x" 

        接下来我们自定义一个函数make_cpt

> make_cpt<-function(df,pa)
    {
      prob <- nrow(df) # df的行数
      parents <- data.frame(df[1,pa]) #第一行父节点对应的值
      names(parents) <- pa #parent内容是父节点对于的值，名字是父节点
  
      data.frame(parents,prob)
    }

#特别的，父节点为x时
> data.frame(parents,prob)
  x prob
1 a    8
> make_cpt(data0,pa)
  x prob
1 a    8


#结合
data0
> data0
  x y z
1 a t c
2 a t d
3 a u c
4 a u d
5 b t c
6 b t d
7 b u c
8 b u d

#我们应当理解
> make_cpt(data0,pa) #x为父节点时
  x prob
1 a    8

> make_cpt(data0,pa) #y为父节点时
  y prob
1 t    8

        接下来我们看自定义函数 + summarize()：

> ddply(data0, c(var,pa), make_cpt, pa) #父节点为x
  y x prob
1 t a    2
2 t b    2
3 u a    2
4 u b    2

#我们应当理解，首先会得到4个小表格：
#第一个，不妨记作data1
#   x y z
# 1 a t c
# 2 a t d
#第二个，不妨记作data2
#   x y z
# 3 a u c
# 4 a u d
#第三个，不妨记作data3
# 5 b t c
# 6 b t d
#第四个，不妨记作data4
# 7 b u c
# 8 b u d

接下来make_cpt分别作用在这四个表格上，也就相当于
make_cpt(data1,c(var,pa))
make_cpt(data2,c(var,pa))
make_cpt(data3,c(var,pa))
make_cpt(data4,c(var,pa))

#因此，我们对输出应当足够清楚
#   y x prob
# 1 t a    2
# 2 t b    2
# 3 u a    2
# 4 u b    2

        接下来我们研究一下代码中最后的pa起到了什么作用

> pa
 y 
x" 

> var
[1] "y"

> ddply(data0, c(var,pa), make_cpt, pa) #make_cpt(data0,pa)
  y x prob
1 t a    2
2 t b    2
3 u a    2
4 u b    2

> ddply(data0, c(var,pa), make_cpt, var) #make_cpt(data0,var)
  y prob
1 t    2
2 t    2
3 u    2
4 u    2

#上一个例子中，存在.(math)是因为math是在表格中的，不能用c(math)表示