Правильная реализация lapply

Question

Насколько я понимаю, при использовании r может быть более элегантным использование таких функций, как lapply, а не для циклов (которые чаще всего используются в других объектно-ориентированных языках). Однако я не могу разглядеть синтаксис и делать глупые ошибки при попытке выполнить простые задачи с помощью команды. Например:

У меня есть ряд dataframes, загруженных из CSV-файлов, используя для loop.The следующих фиктивных dataframes адекватно описывают данные:

x <- c(0,10,11,12,13) 
y <- c(1,NA,NA,NA,NA) 
z <- c(2,20,21,22,23)  
a <- c(0,6,5,4,3) 
b <- c(1,7,8,9,10) 
c <- c(2,NA,NA,NA,NA) 
df1 <- data.frame(x,y,z) 
df2 <- data.frame(a,b,c) 

Я первый сгенерирует список имен dataframe (data_names- I сделайте это при загрузке файлов csv), а затем просто захотите суммировать столбцы. Моя попытка, конечно, не работает:

lapply(data_names, function(df) { 
counts <- colSums(!is.na(data_names)) 
}) 

Я мог бы списки использования, конечно (и я понимаю, в конечном счете, это может быть лучше), однако, с педагогической точки зрения, я хотел бы понять lapply лучше.

Большое спасибо за любые указатели

Answer 1

Это действительно просто ваше использование is.na и тот факт, что вам не нужно использовать asignment оператор <- внутри функции. lapply возвращает список, который является результатом применения FUN к каждому элементу списка входных данных. Вы назначаете выход lapply переменной, например. res <- lapply(.... , FUN).

Я также не слишком уверен, как вы сделали список изначально, но ниже должно быть достаточно. Вам также не нужны анонимная функция в этом случае, вы можете использовать именованный colSums, а также обеспечить na.rm = TRUE аргумент, чтобы заботиться о Перском NA с в ваших данных:

lapply(list(df1, df2) , colSums , na.rm = TRUE) 
[[1]] 
x y z 
46 1 88 

[[2]] 
a b c 
18 35 2 

Таким образом, вы можете прочитать как:

• Для каждого ФР в списке:
• применяются colSums с аргументом na.rm = TRUE

Результатом является список, каждый элемент которого является результатом применения colSums к каждому df в списке.