前三章中列出的大多数示例代码都很短，并没有涉及到复杂的操作。从本章开始将会把前面介绍的数据结构组合起来，构成真正的程序。大部分程序是由条件语句和循环语句控制，R 语言中的条件语句（if-else）和 C 语言中类似此处就不再介绍，循环语句包括 for 和 while 控制块。循环是社交网络分析的主旋律，比如使用 for 循环遍历分析网络中的每一个节点。当网络规模足够大时，并行处理又变得十分必要。熟练掌握本章的内容后，你的程序将会优雅而自然。
循环语句
while
while 循环作为最简单的一种循环，只要满足条件（condition 为 TRUE），循环将会一直进行。
while (condition) {
# TODO
}
在 R 语言中还存在特殊的关键字 repeat，在 repeat 控制块内的语句将会无限的执行。下面的示例代码效果是等价的：
repeat {
# TODO
}
while (TRUE) {
# TODO
}
for
R 语言中的 for 循环更像某些语言中的 foreach，本质上就是遍历向量（或其他数据结构）中的元素：
for (name in vector) {
# TODO
}
下面的示例将会输出向量中的元素：
> v <- c("a", "b", "c")
> for (item in v) {
+ print(item)
+ }
[1] "a"
[1] "b"
[1] "c"
循环控制
有时当满足条件时，需要使用 break 退出循环：
while (TRUE) {
# TODO
if (condition) {
break
}
}
或者使用 next 退出当前循环（类似其他语言的 continue）：
for (name in vector) {
# TODO
if (condition) {
next
}
}
apply() 系列函数
R 语言中循环语句的执行效率是无法忍受的，这是因为循环语句是基于 R 语言本身来实现的，而向量操作是基于 C 语言实现的，所以应避免使用显式循环，使用 apply() 系列函数进行替代。举个例子，对一个矩阵的行求和，并封装一个函数，使用 for 循环应该是这样：
func1 <- function(matrix) {
row_sum <- c()
for (i in 1: nrow(matrix)) {
row_sum[i] <- sum(matrix[i, ]) # 对每一行求和
}
return(row_sum)
}
使用 sapply() 可以这样简化代码：
func2 <- function(matrix) {
return(sapply(1: nrow(matrix), function(i) { return(sum(matrix[i, ])) }))
}
下面测试一下两种方法的性能消耗：
> m <- matrix(c(1: (10000 * 10000)), nrow = 10000) # 10000x10000 的方阵
> system.time(func1(m))
用户 系统 流逝
0.79 0.00 0.79
> system.time(func2(m))
用户 系统 流逝
0.72 0.00 0.72
上面的例子说明使用 for 循环不仅代码冗余，而且 for 循环实现的计算是耗时最长的，这就是为什么要了解 apply() 系列函数的原因。apply() 系列函数本身就是解决数据循环处理的问题，为了面向不同的数据类型，不同的返回值，apply() 函数组成了一个函数族。一般使用最多的是对矩阵处理的函数 apply() 以及对向量处理的函数 sapply()。
apply() 系列函数[1]
apply()
apply() 函数用于多维数据的处理，比如矩阵。其本质上是对 for 循环的进一步封装，并不会加快计算速度。apply() 函数的定义如下：
apply(X, MARGIN, FUN)
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
