الدوال apply وlapply وsapply في R: شرح عائلة apply

عائلة apply في جملة واحدة

كل فرد في عائلة apply يؤدي المهمة نفسها: يأخذ دالة ويشغّلها على كل عنصر في بنية ما، ويجمع النتائج. وما يتغير هو شكل المدخلات وشكل المخرجات. وإليك الخريطة:

• apply(m, MARGIN, FUN) - صفوف مصفوفة أو أعمدتها.
• lapply(x, FUN) - كل عنصر في قائمة أو متجه؛ وتعيد قائمة دائمًا.
• sapply(x, FUN) - مثل lapply تمامًا، ثم تبسّط النتيجة إلى متجه أو مصفوفة حين تستطيع.
• vapply(x, FUN, FUN.VALUE) - مثل sapply مع نوع معاد مصرَّح به ومفروض.
• mapply(FUN, x, y, ...) - تمشي على عدة مدخلات بالتوازي، عنصرًا عنصرًا.
• tapply(values, groups, FUN) - تطبق FUN داخل كل مجموعة: نتيجة واحدة لكل مجموعة.

وتقبل جميعها الدوال التي تكتبها بنفسك، بما فيها المجهولة، وهنا تستمد العائلة قوتها.

‏apply(): صفوف المصفوفة وأعمدتها

تأخذ apply مصفوفة، وقيمة MARGIN (‏1 للصفوف و2 للأعمدة)، ودالة:

m <- matrix(1:6, nrow = 2)
print(m)

print(apply(m, 1, sum))   # one sum per row
print(apply(m, 2, sum))   # one sum per column

تُملأ المصفوفة عمودًا عمودًا، فيكون الصفان 1 3 5 و2 4 6: وتُطبع مجاميع الصفوف بالقيم 9 12 ومجاميع الأعمدة بالقيم 3 7 11. وللحالتين الأكثر شيوعًا تأتي R الأساسية بمساعدات مخصصة وأسرع - وهي rowSums وcolSums وrowMeans وcolMeans - فاحفظ apply للدوال التي لا مساعد مخصصًا لها، مثل apply(m, 2, max).

وثمة فخ: أن apply على إطار بيانات تحوّله بصمت إلى مصفوفة أولًا، فتكره كل الأعمدة على نوع واحد مشترك. ولإطارات البيانات، عامل الأعمدة بوصفها قائمة واستخدم lapply/sapply بدلًا من ذلك.

‏lapply() تعطي قائمة دائمًا، وsapply() تبسّط

تطبّق lapply دالةً على كل عنصر وتعيد قائمة بالطول نفسه، مهما كانت الحال:

scores <- list(math = c(80, 90), art = c(70, 75, 95))

print(lapply(scores, mean))
print(sapply(scores, mean))

الحساب نفسه بشكلين: فـ lapply تعيد قائمة تحمل القيمتين 85 و80؛ بينما تلاحظ sapply أن طول كل نتيجة 1 فتبسّطها إلى متجه عددي مسمى - وهو ألطف كثيرًا في القراءة وفي تمريره إلى حسابات لاحقة.

لكن لهذه الراحة حدًا حادًا: نوع ما تعيده sapply يعتمد على البيانات. فإذا أنتج عنصر واحد فقط طولًا مختلفًا، فشل التبسيط وحصلت على قائمة مجددًا بصمت:

uneven <- list(a = 1:2, b = 1:3)

result <- sapply(uneven, function(x) x * 10)
print(class(result))                          # could not simplify: still a list

print(sapply(1:3, function(x) x * 10))        # lengths match: a numeric vector

وفي العمل التفاعلي يكون ذلك أمرًا هينًا؛ أما داخل نص برمجي فيعني أن شيفرة عملت طوال العام تنهار يوم يتغير شكل البيانات. وذلك هو سبب وجود vapply كله.

‏vapply(): نسخة sapply الآمنة نوعيًا

تضيف vapply وسيطًا ثالثًا هو FUN.VALUE: قالبًا يصرّح بالشكل الذي يجب أن تبدو عليه النتيجة الواحدة. فالقيمة integer(1) تعني "كل استدعاء يعيد عددًا صحيحًا واحدًا بالضبط":

words <- c("apply", "lapply", "sapply")

print(vapply(words, nchar, integer(1)))

فتحصل على متجه أعداد صحيحة مسمى - 5 6 6 - والأهم أنك تحصل على ضمانة: فلو أعادت nchar يومًا قيمتين أو قيمة نصية، لتوقفت vapply بخطأ في موضع الاستدعاء بدل ترك نتيجة مشوهة الشكل تطفو نحو المراحل اللاحقة. والتصريح يؤدي دور التوثيق كذلك:

vapply(words, nchar, character(1))
# Error in vapply(words, nchar, character(1)) : values must be type 'character'

والقاعدة العملية: ‏sapply في الطرفية، وvapply في الدوال والنصوص البرمجية التي يجب أن تعمل دون إشراف.

‏mapply() وtapply(): المدخلات المتوازية والمجموعات

تمشي lapply على بنية واحدة. وحين يحتاج كل استدعاء إلى عنصر من عدة بنى في مواضع متطابقة، استخدم mapply - ولاحظ أن الدالة تأتي أولًا:

print(mapply(function(a, b) a * b, 1:4, c(10, 100, 1000, 10000)))

فيقرن كل عنصر في المخرجات القيمتين الأوليين، ثم القيمتين الثانيتين، وهكذا: ‏10 200 3000 40000.

أما tapply فهي فرد العائلة الخاص بالمجموعات: إذ تقسّم values بحسب groups وتطبق الدالة داخل كل مجموعة، فتعيد نتيجة واحدة لكل مجموعة:

values <- c(10, 20, 30, 40, 50, 60)
groups <- c("a", "b", "a", "b", "a", "b")

print(tapply(values, groups, mean))

فمتوسط المجموعة a هو 30، ومتوسط المجموعة b هو 40. وهذا هو جواب R الأساسية عن سؤال "المتوسط لكل فئة" - وهو شكل السؤال نفسه الذي تجيب عنه group_by مع summarize لإطارات البيانات، فإن كنت في أرض dplyr أصلًا فاستخدمها؛ وتتألق tapply حين يكون لديك متجهان مجردان وتريد سطرًا واحدًا.

وثمة تسهيلان يعملان عبر العائلة كلها. فالوسائط الإضافية بعد الدالة تُمرَّر إليها في كل استدعاء:

readings <- list(c(3.14159, 2.71828), c(1.41421))

print(sapply(c(3.14159, 2.71828), round, digits = 2))
print(lapply(readings, round, digits = 1))

وتندرج الدوال المجهولة في مكانها كلما لم تناسب دالة جاهزة - فالتعبير sapply(x, \(v) max(v) - min(v)) يحسب المدى لكل عنصر دون تسمية دالة مساعدة أولًا.

عائلة apply مقابل حلقات for

ستسمع أن حلقات for بطيئة في R وأن عائلة apply سريعة. وذلك خرافة في معظمه. فالبطيء فعلًا هو تنمية النتيجة داخل حلقة - إذ ينسخ التعبير result <- c(result, new_value) المتجه كاملًا في كل دورة. أما الحلقة التي تخصص مخرجاتها مسبقًا فأداؤها جيد:

squares <- numeric(10)            # pre-allocate, then fill
for (i in 1:10) {
  squares[i] <- i^2
}
print(squares)

print(sapply(1:10, \(i) i^2))     # same result as an expression

لذا اختر بحسب قابلية القراءة لا الأداء. فنسخة apply تقول ماذا في سطر واحد - "ربّع كل عنصر" - وتتولى التخصيص نيابة عنك، ولهذا فهي الصيغة المعتمدة للعمل المباشر عنصرًا عنصرًا. وتثبت حلقة for جدارتها حين تعتمد التكرارات على نتائج سابقة، أو حين تحتاج إلى خروج مبكر بـ break، أو حين يكون الجسم طويلًا بما يكفي لتصير الدالة المجهولة ضررًا لا نفعًا. وكلاهما R مشروعة.

ما تخرج به

• العائلة كلها فكرة واحدة: شغّل دالة على كل عنصر واجمع النتائج.
• الدالة apply لصفوف المصفوفة (MARGIN = 1) وأعمدتها (MARGIN = 2)؛ وفضّل rowSums/colMeans حين توجدان.
• تعيد lapply قائمة دائمًا؛ وتبسّط sapply حين تستطيع - ما يعني أن نوع ما تعيده قد يتغير مع البيانات.
• تثبّت vapply النوع المعاد؛ فاستخدمها في الشيفرة التي يجب ألا تفاجئك.
• تضم mapply عدة مدخلات معًا؛ وتجمّع tapply القيم داخل المجموعات.
• حلقات for ليست بطيئة بطبيعتها - بل تنمية المتجهات هي البطيئة. اختر الصيغة الأفضل قراءة.

التالي: الأنابيب - المعامل الذي يسلسل هذه الاستدعاءات في خطوط معالجة مقروءة خطوة بخطوة.