一句话概括 apply 函数族
apply 函数族的每个成员做的都是同一件事：拿一个函数，对某个结构中的每个元素运行它，并收集结果。区别在于输入和输出的形状。一览如下：
apply(m, MARGIN, FUN)：矩阵的行或列。lapply(x, FUN)：列表或向量的每个元素；总是返回列表。sapply(x, FUN)：和lapply一样，然后尽可能简化成向量或矩阵。vapply(x, FUN, FUN.VALUE)：声明并强制返回类型的sapply。mapply(FUN, x, y, ...)：同时并行遍历多个输入，逐个元素处理。tapply(values, groups, FUN)：在每个组内应用FUN，每组得到一个结果。
它们都接受你自己写的函数，包括匿名函数，这正是这个函数族强大的地方。
apply()：矩阵的行和列
apply 接收一个矩阵、一个 MARGIN（1 表示行，2 表示列）和一个函数：
矩阵是按列填充的，所以两行分别是 1 3 5 和 2 4 6：行和打印为 9 12，列和打印为 3 7 11。对于最常见的两种情况，基础 R 提供了专门的、更快的辅助函数：rowSums、colSums、rowMeans、colMeans。所以 apply 留给没有现成辅助函数的情况，比如 apply(m, 2, max)。
有一个陷阱：对数据框使用 apply 时，它会先悄悄地把数据框转换成矩阵，从而把每一列都强制转换成同一种类型。处理数据框时，把各列当作一个列表，改用 lapply/sapply。
lapply() 总是返回列表，sapply() 会简化
lapply 对每个元素运行函数，返回一个长度相同的列表，无论如何都是这样：
同样的计算，两种形状：lapply 返回一个装着 85 和 80 的列表；sapply 注意到每个结果的长度都是 1，于是简化成一个带名字的数值向量，读起来舒服得多，也更方便继续参与数学运算。
不过这种便利也有锋利的一面：sapply 的返回类型取决于数据。哪怕只有一个元素产生了不同的长度，简化就会失败，你又会悄悄地得到一个列表：
交互使用时这无所谓；但在脚本里，这意味着一整年都正常运行的代码，会在数据形状改变的那天突然出错。这正是 vapply 存在的全部理由。
vapply()：类型安全的 sapply
vapply 多了第三个参数 FUN.VALUE：一个模板，声明单个结果必须是什么样子。integer(1) 表示“每次调用恰好返回一个整数”：
你会得到一个带名字的整数向量 5 6 6，更重要的是得到了一个保证：如果 nchar 哪天返回了两个值或一个字符，vapply 会在调用处直接报错停止，而不是让形状错误的结果流到后面的代码里。这个声明同时也起到了文档的作用：
vapply(words, nchar, character(1))
# Error in vapply(words, nchar, character(1)) : values must be type 'character'
经验法则：在控制台用 sapply，在需要无人值守运行的函数和脚本里用 vapply。
mapply() 和 tapply()：并行输入与分组
lapply 只遍历一个结构。当每次调用都需要从多个结构的相同位置各取一个元素时，用 mapply。注意函数放在第一个参数：
每个输出元素先把各自的第一个值配对，再配对第二个值，依此类推：10 200 3000 40000。
tapply 是负责分组的成员：它按 groups 把 values 拆开，在每个组内应用函数，每组返回一个结果：
组 a 的均值是 30，组 b 的均值是 40。这是基础 R 对“按类别求平均”的解答，和 group_by + summarize 为数据框回答的是同一类问题。所以如果你已经在用 dplyr，就用它；当你手上只有两个普通向量、想一行搞定时，tapply 最合适。
有两个便利特性适用于整个函数族。写在函数后面的额外参数，每次调用时都会转发给这个函数：
另外，没有现成的函数可用时，可以直接写匿名函数：sapply(x, \(v) max(v) - min(v)) 不需要先定义一个辅助函数，就能算出每个元素的极差。
apply 函数族与 for 循环
你会听说在 R 中 for 循环很慢，而 apply 函数族很快。这基本上是个误解。真正慢的是在循环中不断扩充结果：result <- c(result, new_value) 每轮都会复制整个向量。预先分配好输出的循环，性能完全没问题：
所以要根据可读性来选，而不是性能。apply 版本一行就说清了要做什么（“对每个元素求平方”），还替你处理好了内存分配，这就是它成为简单逐元素操作惯用写法的原因。而当每轮迭代依赖前一轮的结果、需要用 break 提前退出，或者循环体长到写成匿名函数反而更难读时，for 循环就有了用武之地。两种都是正当的 R 写法。
要点回顾
- 整个函数族就是一个思路：对每个元素运行一个函数，收集结果。
apply用于矩阵的行（MARGIN = 1）和列（MARGIN = 2）；有rowSums/colMeans时优先用它们。lapply总是返回列表；sapply尽可能简化，这意味着它的返回类型可能随数据而变。vapply锁定返回类型；在不能出意外的代码里用它。mapply把多个输入对齐组合；tapply在组内汇总值。- for 循环本身并不慢，慢的是不断扩充向量。选择读起来最清楚的写法。
下一篇：管道，这个运算符能把这些调用串成可读的、一步一步的处理流程。
常见问题
R 中 lapply 和 sapply 有什么区别？
lapply 总是返回列表，没有例外。sapply 执行同样的计算，然后尝试简化结果：如果每个元素的长度都是 1，就简化成向量；如果长度都相同，就简化成矩阵；如果无法简化，就仍然返回列表。交互使用时 sapply 更顺手；在脚本里 lapply（或 vapply）更安全，因为它的返回类型永远不会变。
R 中的 apply() 是做什么的？
apply(m, MARGIN, FUN) 在矩阵上运行 FUN：MARGIN = 1 表示对每一行应用，MARGIN = 2 表示对每一列应用。apply(m, 1, sum) 得到行和，apply(m, 2, mean) 得到列均值。它是为矩阵和数组准备的；处理列表和向量请改用 lapply/sapply。
R 中 apply 函数族比 for 循环快吗？
通常快不了多少，这是个误解。写得好、预先分配了结果向量的 for 循环，性能与之相当。让 for 循环背上坏名声的，是那些每次只往结果里加一个元素、每轮都复制全部内容的循环。选择 apply 函数族是为了简洁和表达意图，而不是为了速度。
R 中的 vapply 有什么用？
vapply 是带“契约”的 sapply：你要声明每个结果的类型和长度，例如 vapply(x, nchar, integer(1))。如果函数返回了其他东西，R 会立即报错，而不是悄悄地给你一个意料之外的结构。在需要无人值守、长期稳定运行的代码里，优先用它。
