[R기초] apply 계열 함수의 활용법

지난번 포스팅에서 split과 sapply를 통해 집단별 기술 통계 값(평균 등)을 알아본 바 있다.

이번 포스팅에서는 apply 계열(apply family)의 함수들 (apply, lapply, sapply, mapply, tapply)의 사용 문법을 알아본다.

 

0. apply와 유사한 기능을 하는 colMean() 과 RowMean() 함수

 - colMean() : 변수의 열 방향 평균 값을 계산해줌

 - colMean() : 변수의 행 방향 평균 값을 계산해줌

   *합산 값을 산출해주는 colSums와 rowSums도 있다.

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

colMeans(BMI_calc[,2:3], na.rm = FALSE)

<결과1>
height   weight
170.20   67.14

rowMeans(BMI_calc[,2:3], na.rm = FALSE)
<결과2>
[1] 119.35 111.20 133.00 105.10 124.70

 

1. apply(변수, Function, 기술통계값)

  - Function이 1인 경우: 행 단위의 기술통계값을 계산

  - Function이 2인 경우: 열 단위의 기술통계값을 계산

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

apply(BMI_calc[,2:3], 1, mean)

<결과1>
[1] 119.35 111.20 133.00 105.10 124.70  #rowMean과 같은 결과가 산출된다.

apply(BMI_calc[,2:3], 2, mean)

<결과2>
height weight 
170.20  67.14   #colMean과 같은 결과가 산출된다.

 

2. sapply(변수, 기술통계값)

  - BMI_calc데이터의 2, 3번째 변수(weight, height)를 기준으로 평균을 산출해본다.

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

sapply(BMI_calc[,2:3], mean)

<결과1>
height weight 
170.20  67.14

is(sapply(BMI_calc[,2:3], mean))

<결과2>
[1] "numeric" "vector" 
# 산출 결과가 벡터 형태로 반환됨을 확인할 수 있다.

 

3. lapply(변수, 기술통계값)

  - BMI_calc데이터의 2, 3번째 변수(weight, height)를 기준으로 평균을 산출해본다.

  - 각각의 결과가 리스트 형태로 산출됨을 확인할 수 있다.

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

lapply(BMI_calc[,2:3], mean)

<결과1>
$height
[1] 170.2

$weight
[1] 67.14

is(lapply(BMI_calc[,2:3], mean))

<결과2>
[1] "list"   "vector"
 
# list 및 vector 형태의 자료형으로 출력되었음을 알 수 있다.

 

4. mapply (기술통계값, 변수)

  - mapply는 sapply 및 lapply와 순서가 반대이다.

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

mapply(mean, BMI_calc[,2:3])

<결과1>
height weight 
170.20  67.14 

is(mapply(mean, BMI_calc[,2:3]))

<결과2>
[1] "numeric" "vector" 
# vector 형태의 자료형으로 반환됨을 알 수 있다.

 

5. tapply(변수, 집단 구분 변수, 기술통계값)

  - tapply는 집단 간 데이터를 구분하여 산출해준다

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

# BMI_calc의 2번쨰 변수(height)를 1번쨰 변수 집단(gender)별로 평균 값을 구해보자
tapply(BMI_calc[,2], BMI_calc[,1], mean)

<결과1>
 남  여 
177 160 

# BMI_calc의 3번쨰 변수(weight)를 1번쨰 변수 집단(gender)별로 평균 값을 구해보자
tapply(BMI_calc[,3], BMI_calc[,1], mean)

<결과2>
    남       여 
74.36667 56.30000

is(tapply(BMI_calc[,2], BMI_calc[,1], mean))

<결과3>
[1] "array"     "structure" "vector" 
# 데이터가 array 및 vector 형태로 반환됨을 알 수 있다.

<추가> 이전 포스팅에서 진했했던 split + sapply로 tapply 기능 수행하기

#임의 데이터 생성
gender <- c("남", "여", "남", "여", "남") 
height <- c(170, 165, 183, 155, 178) 
weight <- c(68.7, 57.4, 83.0, 55.2, 71.4) 

BMI_calc <- data.frame(gender, height, weight)

height_by_gender <- split(BMI_calc$height, BMI_calc$gender)
weight_by_gender <- split(BMI_calc$weight, BMI_calc$gender)
sapply(height_by_gender, mean)

<결과1>
 남  여 
177 160 

sapply(weight_by_gender, mean)

<결과2>
   남       여 
74.36667 56.30000