Capítulo 13 Família Xapply()
A família Xapply() no R refere-se a um conjunto de funções desenhadas
para iterar de forma eficiente sobre objetos, evitando a necessidade de
loops (ciclos) explícitos como for. Essas funções são especialmente
úteis para realizar operações repetitivas em listas, vetores, matrizes,
data frames e outros objetos, de forma concisa e frequentemente mais
rápida.
| Função | Argumentos | Objetivo | Input | Output |
|---|---|---|---|---|
apply |
apply(x, MARGIN, FUN) |
Aplica uma função às linhas ou colunas ou a ambas | Data frame ou matriz | vetor, lista, array |
lapply |
lapply(x, FUN) |
Aplica uma função a todos os elementos da entrada | Lista, vetor ou data frame | lista |
sapply |
sapply(x, FUN) |
Aplica uma função a todos os elementos da entrada | Lista, vetor ou data frame | vetor ou matriz |
tapply |
tapply(x, INDEX, FUN) |
Aplica uma função a cada fator | Vetor ou data frame | array |
13.1 Função apply()
A função apply() aplica uma função a margens específicas (linhas ou
colunas) de uma matriz ou data frame e devolve um vetor, lista ou array.
É frequentemente usada para evitar loops explícitos.
X: A matriz ou data frame a ser manipulado.MARGIN: Um valor que indica se a função deve ser aplicada às linhas (1) ou colunas (2) ou ambasc(1,2).FUN: A função que será aplicada.
Exemplo: Calcular a soma, a média e a raíz quadrada de cada coluna de uma matriz.
13.2 Função lapply()
A função lapply() aplica uma função a cada elemento de uma lista ou
vetor e devolve uma lista. É útil quando se deseja manter a estrutura de
saída como uma lista.
X: A lista ou vetor de entrada.FUN: A função que será aplicada.
Exemplo 1:
nomes <- c("ANA", "JOAO", "PAULO", "FILIPA")
nomes_minusc <- lapply(nomes, tolower)
print(nomes_minusc)
## [[1]]
## [1] "ana"
##
## [[2]]
## [1] "joao"
##
## [[3]]
## [1] "paulo"
##
## [[4]]
## [1] "filipa"
str(nomes_minusc)
## List of 4
## $ : chr "ana"
## $ : chr "joao"
## $ : chr "paulo"
## $ : chr "filipa"Exemplo 2:
13.3 Função sapply()
A função sapply() é semelhante à lapply(), mas tenta simplificar o
resultado para um vetor ou matriz, se possível.
Exemplo
13.4 Função tapply()
A função tapply() aplica uma função a subconjuntos de um vetor,
divididos de acordo com fatores. É ideal para operações em subconjuntos
de dados categorizados.
X: O vetor de dados.INDEX: Um fator ou lista de fatores que definem os grupos.FUN: A função que será aplicada a cada grupo.
Exemplo: O dataset iris em R é um conjunto de dados amplamente
utilizado para exemplificar análises estatísticas. Foi introduzido por
Ronald A. Fisher em 1936 no seu artigo sobre a utilização de modelos
estatísticos para discriminação de espécies de plantas. Contém
informações sobre três espécies de flores (Setosa, Versicolor,
Virginica) e suas características morfológicas (comprimento e largura
das sépalas e pétalas). Vamos calcular a média do comprimento das
pétalas por espécie usando tapply():
iris
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## 11 5.4 3.7 1.5 0.2 setosa
## 12 4.8 3.4 1.6 0.2 setosa
## 13 4.8 3.0 1.4 0.1 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 16 5.7 4.4 1.5 0.4 setosa
## 17 5.4 3.9 1.3 0.4 setosa
## 18 5.1 3.5 1.4 0.3 setosa
## 19 5.7 3.8 1.7 0.3 setosa
## 20 5.1 3.8 1.5 0.3 setosa
## 21 5.4 3.4 1.7 0.2 setosa
## 22 5.1 3.7 1.5 0.4 setosa
## 23 4.6 3.6 1.0 0.2 setosa
## 24 5.1 3.3 1.7 0.5 setosa
## 25 4.8 3.4 1.9 0.2 setosa
## 26 5.0 3.0 1.6 0.2 setosa
## 27 5.0 3.4 1.6 0.4 setosa
## 28 5.2 3.5 1.5 0.2 setosa
## 29 5.2 3.4 1.4 0.2 setosa
## 30 4.7 3.2 1.6 0.2 setosa
## 31 4.8 3.1 1.6 0.2 setosa
## 32 5.4 3.4 1.5 0.4 setosa
## 33 5.2 4.1 1.5 0.1 setosa
## 34 5.5 4.2 1.4 0.2 setosa
## 35 4.9 3.1 1.5 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 37 5.5 3.5 1.3 0.2 setosa
## 38 4.9 3.6 1.4 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 40 5.1 3.4 1.5 0.2 setosa
## 41 5.0 3.5 1.3 0.3 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 44 5.0 3.5 1.6 0.6 setosa
## 45 5.1 3.8 1.9 0.4 setosa
## 46 4.8 3.0 1.4 0.3 setosa
## 47 5.1 3.8 1.6 0.2 setosa
## 48 4.6 3.2 1.4 0.2 setosa
## 49 5.3 3.7 1.5 0.2 setosa
## 50 5.0 3.3 1.4 0.2 setosa
## 51 7.0 3.2 4.7 1.4 versicolor
## 52 6.4 3.2 4.5 1.5 versicolor
## 53 6.9 3.1 4.9 1.5 versicolor
## 54 5.5 2.3 4.0 1.3 versicolor
## 55 6.5 2.8 4.6 1.5 versicolor
## 56 5.7 2.8 4.5 1.3 versicolor
## 57 6.3 3.3 4.7 1.6 versicolor
## 58 4.9 2.4 3.3 1.0 versicolor
## 59 6.6 2.9 4.6 1.3 versicolor
## 60 5.2 2.7 3.9 1.4 versicolor
## 61 5.0 2.0 3.5 1.0 versicolor
## 62 5.9 3.0 4.2 1.5 versicolor
## 63 6.0 2.2 4.0 1.0 versicolor
## 64 6.1 2.9 4.7 1.4 versicolor
## 65 5.6 2.9 3.6 1.3 versicolor
## 66 6.7 3.1 4.4 1.4 versicolor
## 67 5.6 3.0 4.5 1.5 versicolor
## 68 5.8 2.7 4.1 1.0 versicolor
## 69 6.2 2.2 4.5 1.5 versicolor
## 70 5.6 2.5 3.9 1.1 versicolor
## 71 5.9 3.2 4.8 1.8 versicolor
## 72 6.1 2.8 4.0 1.3 versicolor
## 73 6.3 2.5 4.9 1.5 versicolor
## 74 6.1 2.8 4.7 1.2 versicolor
## 75 6.4 2.9 4.3 1.3 versicolor
## 76 6.6 3.0 4.4 1.4 versicolor
## 77 6.8 2.8 4.8 1.4 versicolor
## 78 6.7 3.0 5.0 1.7 versicolor
## 79 6.0 2.9 4.5 1.5 versicolor
## 80 5.7 2.6 3.5 1.0 versicolor
## 81 5.5 2.4 3.8 1.1 versicolor
## 82 5.5 2.4 3.7 1.0 versicolor
## 83 5.8 2.7 3.9 1.2 versicolor
## 84 6.0 2.7 5.1 1.6 versicolor
## 85 5.4 3.0 4.5 1.5 versicolor
## 86 6.0 3.4 4.5 1.6 versicolor
## 87 6.7 3.1 4.7 1.5 versicolor
## 88 6.3 2.3 4.4 1.3 versicolor
## 89 5.6 3.0 4.1 1.3 versicolor
## 90 5.5 2.5 4.0 1.3 versicolor
## 91 5.5 2.6 4.4 1.2 versicolor
## 92 6.1 3.0 4.6 1.4 versicolor
## 93 5.8 2.6 4.0 1.2 versicolor
## 94 5.0 2.3 3.3 1.0 versicolor
## 95 5.6 2.7 4.2 1.3 versicolor
## 96 5.7 3.0 4.2 1.2 versicolor
## 97 5.7 2.9 4.2 1.3 versicolor
## 98 6.2 2.9 4.3 1.3 versicolor
## 99 5.1 2.5 3.0 1.1 versicolor
## 100 5.7 2.8 4.1 1.3 versicolor
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginica
tapply(iris$Petal.Length, iris$Species, mean)
## setosa versicolor virginica
## 1.46 4.26 5.5513.5 Exercícios
1. Crie um vetor chamado nomes contendo os nomes “Alice”, “Bruno”,
“Carla”, e “Daniel”. Use a função lapply() para converter todos os
nomes para maiúsculas. Verifique o resultado.
2. Crie um vetor chamado palavras contendo as palavras “cachorro”,
“gato”, “elefante”, e “leão”. Use a função sapply() para calcular o
comprimento (número de caracteres) de cada palavra. Verifique o
resultado. Dica, veja ?nchar.
3. Crie uma matriz 3x3 chamada matriz_exemplo com os números de 1
a 9. Use a função apply() para calcular a soma de cada linha da
matriz. Em seguida, use a função apply() novamente para calcular a
média de cada coluna.
4. Use o conjunto de dados embutido mtcars em R. Use a função
tapply() para calcular a média do consumo de combustível (mpg) para
cada número de cilindros (cyl).
5. Crie uma lista chamada minha_lista contendo três elementos: um
vetor numérico de 1 a 5, um vetor de caracteres com os valores “A”, “B”,
“C”, e uma matriz 2x2 com valores de 1 a 4. Use lapply() para calcular
o comprimento de cada elemento da lista e, em seguida, use sapply()
para simplificar o resultado num vetor.
6. Crie um vetor numeros contendo os números de 1 a 10. Use a função
sapply() para aplicar uma função personalizada que retorne “par” se o
número for par e “ímpar” se o número for ímpar.
7. Use o conjunto de dados iris. Utilize tapply() para calcular
a média do comprimento das pétalas (Petal.Length) por espécie
(Species) e a variância da largura das sépalas (Sepal.Width) por
espécie.
8. Use o conjunto de dados mtcars. Use apply() para normalizar
(escala de 0 a 1) todas as colunas numéricas do data frame. Converta o resultado num data frame. Em seguida,
use lapply() para aplicar a função summary() a cada coluna
normalizada para verificar o resultado. Valor normalizado \(\frac{x-min(x)}{max(x)-min(x)}\).
9. Um professor quer analisar o desempenho dos alunos em quatro exames. Ele registou as notas de 30 alunos, e agora deseja calcular algumas estatísticas descritivas.
- Crie um data frame
notas_alunoscom 30 linhas (representando 30 alunos) e 4 colunas (representando os 4 exames). - Preencha o data frame com valores aleatórios entre 0 e 100, para simular as notas. Use a função
runif(). - Utilize
apply()para calcular a média de cada aluno em todos os exames. - Em seguida, utilize
sapply()para calcular a nota mínima e a nota máxima de cada exame.
10. Um gestor de marketing está a analisar o número de clientes que visitam quatro lojas ao longo de um mês. Ele quer verificar a frequência média e as tendências para cada loja.
- Crie uma matriz chamada
frequencia_lojascom 4 linhas (representando 4 lojas) e 30 colunas (representando os dias do mês). - Preencha a matriz com valores aleatórios entre 0 e 200, representando o número de clientes diários em cada loja. Use a função
sample(). - Utilize
apply()para calcular a média diária de clientes em cada loja ao longo dos 30 dias. - Em seguida, utilize
apply()para calcular a soma total de clientes de cada loja durante o mês. - Converta a matriz
frequencia_lojasem um data frame e usesapply()para calcular o desvio padrão do número de clientes em cada dia do mês (cada coluna), para verificar a variação de clientes ao longo dos dias.