Programação funcional R, vetorização em R, Funções apply no R, Família apply em R, Operações vetorizadas em R
A programação funcional no R é um paradigma poderoso que se concentra no processamento eficiente de dados por meio de funções. Ao aproveitar as funções apply integradas do R e as operações vetorizadas, você pode escrever um código mais conciso, legível e rápido, muitas vezes eliminando a necessidade de loops explícitos. Este tutorial apresentará as principais funções (lapply() e sapply()) da família apply, demonstrará operações vetorizadas e fornecerá exemplos adicionais usando apply(), tapply(), mapply() e vapply(). Essas técnicas ajudarão você a escrever um código R elegante e eficiente.
O R oferece várias funções que ajudam você a aplicar operações em coleções de dados sem recorrer a loops. Essas funções incluem:
apply(): aplica uma função às margens de uma matriz.lapply(): Retorna uma lista aplicando uma função sobre uma lista ou vetor.sapply(): uma versão fácil de usar do lapply() que simplifica a saída.vapply(): Semelhante a sapply(), mas requer a especificação do tipo de saída.tapply(): aplica uma função sobre subconjuntos de um vetor, categorizados por um fator.mapply(): versão multivariada de lapply(), aplicando uma função em paralelo sobre um conjunto de argumentos.lapply() e sapply()# Criar uma lista de vetores numéricos
num_list <- list(a = 1:5, b = 6:10, c = 11:15)
# Usando `lapply` para calcular a média de cada vetor (retorna uma lista)
means_list <- lapply(num_list, mean)
print(means_list)$a
[1] 3
$b
[1] 8
$c
[1] 13# Usando `sapply` para calcular a média (simplifica para um vetor)
means_vector <- sapply(num_list, mean)
print(means_vector) a b c
3 8 13 As operações vetorizadas no R permitem realizar operações elementares em vetores ou matrizes inteiros sem loops explícitos. Essa abordagem é geralmente mais rápida e concisa.
# Crie um vetor numérico
x <- 1:10
# Multiplique cada elemento por 2 usando multiplicação vetorizada
y <- x * 2
print(y) [1] 2 4 6 8 10 12 14 16 18 20# Calcule a raiz quadrada de cada elemento
sqrt_values <- sqrt(x)
print(sqrt_values) [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427
[9] 3.000000 3.162278Para aproveitar ao máximo o poder da família apply do R, considere estas funções adicionais:
apply()A função apply() é normalmente usada com matrizes ou matrizes para aplicar uma função sobre linhas ou colunas.
# Criar uma matriz 3x3
matrix_data <- matrix(1:9, nrow = 3, ncol = 3)
print(matrix_data) [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9# Soma de cada linha (`margin = 1`)
row_sums <- apply(matrix_data, 1, sum)
print(row_sums)[1] 12 15 18# Some cada coluna (`margin = 2`)
col_sums <- apply(matrix_data, 2, sum)
print(col_sums)[1] 6 15 24tapply()A função tapply() aplica uma função a subconjuntos de um vetor, definidos por um fator, o que é útil para operações agrupadas.
#|label: tapply-example
# Vetor de amostra de idades e um fator de agrupamento
ages <- c(23, 35, 27, 45, 31, 29)
groups <- factor(c("A", "B", "A", "B", "A", "B"))
# Calcule a idade média de cada grupo
mean_ages <- tapply(ages, groups, mean)
print(mean_ages)Resultados:
A B
27.00000 36.33333 mapply()A função mapply() é uma versão multivariada de sapply(), aplicando uma função em paralelo sobre um conjunto de argumentos.
#|label: mapply-example
# Definir dois vetores numéricos
v1 <- 1:5
v2 <- 6:10
# Use mapply para somar os elementos correspondentes de ambos os vetores
sums <- mapply(sum, v1, v2)
print(sums)Resultados:
[1] 7 9 11 13 15vapply()A função vapply() é semelhante à sapply(), mas exige que você especifique o tipo de saída para obter resultados mais previsíveis.
#|label: vapply-example
# Defina uma função para calcular a raiz quadrada de um número
sqrt_func <- function(x) sqrt(x)
# Aplique a função a um vetor usando vapply, especificando que a saída deve ser numérica (1)
sqrt_values <- vapply(1:5, sqrt_func, FUN.VALUE = numeric(1))
print(sqrt_values)Concisão:
As construções funcionais permitem escrever menos linhas de código para operações comuns.
Legibilidade:
O código que utiliza funções apply e operações vetorizadas costuma ser mais legível do que loops aninhados.
Desempenho:
As operações vetorizadas são implementadas em código C otimizado, que pode ser significativamente mais rápido do que loops equivalentes em R.
Manutenção:
Uma abordagem funcional pode levar a um código mais fácil de testar e manter, pois as funções encapsulam comportamentos específicos.
Mantenha as funções puras:
Sempre que possível, crie funções que não tenham efeitos colaterais. Isso facilita o teste e o raciocínio sobre o seu código.
Use nomes descritivos:
Nomeie claramente suas funções e variáveis para indicar sua finalidade.
Aproveite as funções integradas:
Utilize o rico conjunto de funções apply e operações vetorizadas do R antes de recorrer a loops explícitos.
Perfilando seu código:
Use ferramentas de perfilagem (por exemplo, Rprof()) para identificar gargalos e otimizar seções críticas para o desempenho.
A programação funcional no R permite escrever código mais conciso, eficiente e fácil de manter. Ao usar a família apply e operações vetorizadas, você pode realizar manipulações complexas de dados com facilidade. Experimente os exemplos fornecidos e integre essas técnicas ao seu fluxo de trabalho para aprimorar seus recursos de processamento de dados.
Boa programação e aproveite para escrever programas R eficientes usando técnicas de programação funcional!
Aqui estão mais artigos da mesma categoria para ajudá-lo a se aprofundar no tópico.
@online{kassambara2024,
author = {Kassambara, Alboukadel},
title = {Programação funcional em R},
date = {2024-02-10},
url = {https://www.datanovia.com/pt/learn/programming/r/advanced/functional-programming.html},
langid = {pt}
}