r 函数返回多个值_【R语言】R语言中的循环
编程中减少代码重复的两个工具，一是循环，一是函数。
循环，用来处理对多个同类输入做相同事情（即迭代），如对不同列做相同操作、对不同数据集做相同操作。
R语言有三种方式实现循环：
（1）for循环、while循环
（2）apply函数族
（3）泛型函数map
一. for循环、while循环
首先作两点说明：
（1）关于“for循环运行速度慢”的说法，实际上已经过时了，现在的R、Matlab等软件经过多年的内部优化已经不慢了，之所以表现出来慢，是因为你没有注意两个关键点：
- 提前为保存循环结果分配存储空间；
- 为循环体中涉及到的数据选择合适的数据结构。
（2）apply函数族和泛型函数map能够更加高效简洁地实现一般的for循环、while循环，但这不代表for循环、while循环就没用了，它们可以在更高的层次使用（相对于在逐元素级别使用）
1. 基本for循环
例如，有如下的tibble数据：
library用复制-粘贴法，计算每一列的中位数：
median为了避免“粘贴-复制多于两次”，改用for循环实现：
output for循环有三个组件：
(1) 输出：output <- vector("double", length(x))
在循环开始之前，最好为输出分配足够的存储空间，这样效率更高：若每循环一次，就用c()合并一次，效率会很低下。
通常是用vector()函数创建一个给定长度的空向量，它有两个参数：向量类型（logical, integer, double, character等）、向量长度。
(2)迭代器：i in seq_along(df)
确定怎么循环：每次for循环将对i赋一个seq_along(df)中的值，可将i理解为代词it. 其中seq_along()是“1:length(df)”的安全版本，它能保证遇到长度为0的向量时，仍能正确工作：
y 
1
你可能不会故意创建长度为0的向量，但容易不小心创建，则会导致报错。
(3) 循环体：output[[i]] <- median(df[[i]])
即执行具体操作的代码，它将重复执行，每次对不同的i值。
第1次迭代将执行：output[[1]] <- median(df[[1]])，
第2次迭代将执行：output[[2]] <- median(df[[2]])，
……
2. for循环变种
基本的for循环有4个变种：
(1) 修改已存在的对象，创建的新对象
有时需要用for循环修改一个已存在的对象，例如，对数据框 df 的每一列做归一化：
rescale01 用for循环来做，先考虑其3个组件：
输出：已经存在，与输入相同。
迭代器：可以将数据框看作是多个列构成的列表，故可以用seq_along(df)来迭代每一列。
循环体：应用函数rescale01().
于是写出如下的for循环：
for 通常来说，你可以用这种循环来修改一个列表或数据框，注意这里是用[[ ]], 而不是[ ]. 因为原子向量最好用[[ ]], 这样能清楚地表明你处理的是一个单独的元（而不是子集）。
(2) 循环模式
· 根据数值索引：for(i in seq_along(xs), 用x[[i]] 提取值。
· 根据元素值：for(x in xs). 若你只关心附带作用，这特别有用。例如绘图、保存文件等，因为很难高效率地保存这种结果。
· 根据名字：for(nm in names(xs)). 对每个名字，访问其对应的值 x[[nm]], 若你需要使用图形标题或文件的名称，这就很有用。当创建命名的输出时，确保按如下方式命名结果向量：
results 注：用数值索引迭代是最常用的形式，因为只要给定位置，名字和元素值都可以提取：
for (3) 结果长度未知
有时候，你可能不知道输出结果有多长。例如，你想要模拟一些长度随机的随机向量。你可能优先想到通过逐步增加长度的方法解决该问题：
means 
但这种做法很低效，因为每次迭代，R都要复制上一次迭代的全部数据，其复杂度为
一个好的方法是，先将结果保存为列表，等循环结束再将列表重组为一个单独的向量：
out 
str
这里是用unlist()函数将一个向量的列表摊平为一个单独的向量。更严格的方法是用purrr包中的flatten_dbl(), 若输入不是double型的列表，将会报错。
还有两种结果长度未知的情形：
· 生成一个长字符串。不是用paste()函数将上一次的迭代结果拼接到一起，而是将结果保存为字符向量，再用函数paste(output, collapse= " ")合并为一个单独的字符串；
· 生成一个大的数据框。不是依次用rbind()函数合并每次迭代的结果，而是将结果保存为列表，再用dplyr包中的bind_rows(output)函数合并成一个单独的数据框。
所以，遇到上述模式时，要先转化为更复杂的结果对象，最后再做一步合并。
(4) 迭代次数未知（while循环）
有时候你甚至不知道输入序列有多长，这通常出现在做模拟的时候。例如，你可能想要在一行中循环直到连续出现3个“Head”，此时不适合用for循环，而是适合用while循环。
while循环更简单些，因为它只包含两个组件：条件、循环体：
while While循环是比for循环更一般的循环，因为for循环总可以改写为while循环，但while循环不一定能改写为for循环：
for 下面用while循环实现：抛一枚硬币直到连续出现3次“正面”，需要的次数：
flip 
while循环并不常用，但在模拟时常用，特别是在预先不知道迭代次数的情形。
二. apply函数族
apply函数族可以代替大部分的for循环、while循环，其大意是“应用（apply）”某函数（fun）到一系列的对象上。根据应用到的对象的不同，是一族apply函数。
常用的有：
- 分组计算：apply()和tapply()
- 循环迭代：lapply()和sapply()
- 多变量计算：mapply()
- 函数apply()
apply()函数是最常用的代替for循环的函数。apply函数可以对矩阵、数据框、数组(二维、多维)，按行或列进行循环计算，对子元素进行迭代，并把子元素以参数传递的形式给自定义的FUN函数中，并以返回计算结果。基本格式为：
apply其中，x为数据对象（矩阵、多维数组、数据框）；
MARGIN=1表示按行，2表示按列；
fun表示要作用的函数。
x
apply
apply
2. 函数tapply()
按一组因子INDEX对数据列 x 分组，再分别对每组作用上函数fun。基本格式为：
tapply其中，x通常为向量；
INDEX为与x长度相同的因子列表（若不是因子，R会强制转化为因子）；
simplify=TRUE且fun计算结果为标量值，则返回值为数组，若为FALSE，则返回值为list对象
dat 
3. 函数lapply()
该函数是一个最基础循环操作函数，用来对vector、list、data.frame逐元、逐成分、逐列分别应用函数fun，并返回和 x 长度同样的 list 作为结果。
基本格式为：
lapply其中，x为数据对象（列表、数据框、向量）。
x
lapply
4. 函数sapply()
sapply() 是 lapply() 的简化版本，多了一个参数simplify，若simplify=FALSE，则同lapply()，若为TRUE，则将输出的list简化为向量或矩阵。基本格式为：
sapply5. 函数mapply()
是函数sapply()的多变量版本，将对多个变量的每个参数作用某函数。基本格式为：
mapply其中，
MoreArgs为fun函数的其它参数列表；
SIMPLIFY为逻辑值或字符串，取值为TRUR时，将结果转化为一个向量、矩阵或高维阵列（但不是所有结果都可转化）；
... 可以接收多个数据，mapply将fun应用于这些数据的第一个元素组成的数组，然后是第二个元素组成的数组，以此类推。
返回值是vector或matrix，取决于fun返回值是一个还是多个。
#
mapply
mapply
Alco 其中，变量AlcoholDrunk有三种取值，“YES”表示有饮酒史；“NO”表示无饮酒史；NA表示数据不可获取。
定义alcohol()函数实现功能：若AlcoholDrunk是NA，直接返回NA；若是NO，返回NO；否则返回变量AmountDrunk的值。因为需要传递两个变量的值，就需要用mapply()函数：
alcohol 
三. 泛型函数map
泛型函数，相当于数学中的“泛函”，即函数的函数。
“传递一个函数给另一个函数”是非常强大的思想，这也是R作为泛函型编程语言的表现之一。
注：apply函数族也属于泛型函数。
purrr包，提供的函数足以代替许多通常的for循环。虽然apply函数族也能解决类似的问题，但purrr包更具有一致性，从而也更容易学习。另外，purrr包还支持一些快捷用法，且所有函数都是用C语言写的，速度更快。
用purrr包的解决问题的逻辑是：
（1）针对列表每个单独的元，你怎么解决某问题？一旦你解决了该问题，purrr包就可以将你的求解推广到列表中的每一个元。
（2）若你正在解决一个复杂问题，你怎么把它分解成若干小问题，使得你能够逐步完成求解？用purrr包，你就可以将这些小问题的求解步骤用管道组合到一起。
- map函数族
“遍历一个向量，对每个元做相同的操作，并保存结果”，这种循环模式是如此常见，所以purrr包提供了一族map函数来做这件事。一个函数针对一种类型的输出：
- map()—映射列表，基本等同于lapply()
- map_lgl()—映射逻辑向量
- map_int()—映射整数型向量
- map_dbl()—映射浮点数向量
- map_chr()—映射字符型向量
每个函数都接受一个输入向量，应用一个函数到每一个元，再返回与输入向量同名同长度的新向量；向量的类型由map函数的后缀所确定。
注：map_*()函数必须接受原子向量，可以是行、列向量。
例如，对前文的 数据框 df，
map_dbl
map_dbl
map_dbl
与用for循环相比，map函数是聚焦在所执行的操作（mean(), median(), sd()），而不是循环遍历每个元并存储结果。若改用管道操作更明显：
df 2. 多变量迭代的map函数
前面map函数族实现的都是对一个向量（单变量的数据）进行迭代操作。实际中，经常会用到针对多个变量进行并行迭代，这就需要用map2()或pmap()函数。
（1）两个变量的迭代：map2()
例如，根据
mu 
前文的mapply例子，也可以用map2来实现：
unlist（2）更多个变量迭代：pmap()
前面都是随机生成5个数，让个数也变起来：
n 
主要参考文献：
- R for Data Science. Hadley Wickham, Garrett Grolemund，O'Reilly, 2017.
- 张良均，谢佳标，杨坦，肖刚. R语言与数据挖掘. 机械工业出版社，2016.