5

Tenho esta lista:

dataset<-data.frame(matrix(runif(6*30,20,100),ncol=6))
cluster<-kmeans(dataset,centers=3)
cluster
dataset$kmeans<-as.factor(cluster[['cluster']])
mylist<-split(dataset,dataset$kmeans)
names(mylist)<-paste0('dataset',seq_along(mylist))

Considere que eu queira saber o nome das variáveis presentes em cada um dos bancos de dados desta lista. Com lapply:

lapply(mylist,function(x){
  names(x)
})

#$dataset1
#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"

#$dataset2
#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"

#$dataset3
#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"

Com for (sem print):

for(i in mylist){
  names(i)
}

# nada é emitido ao Console

com for (com print):

for(i in mylist){
  print(names(i))
}

#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"
#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"
#[1] "var1"   "var2"   "var3"   "var4"   "var5"   "var6"   "kmeans"

Além disso, é possível criar um objeto com lapply:

x<-lapply(mylist,function(x){
  names(x)
})

Mas com for, não:

x<-for(i in mylist){
  print(names(i))
}

Sempre pensei que a diferença entre lapply e for residisse apenas na velocidade de processamento, conforme mostra esta pergunta. Mas, por estes detalhes já percebi que a diferença não é apenas esta.

Assim:

  • quais as diferenças e semelhanças entre funções apply e for (a que se refere a construção dos blocos dentro destas funções)?
  • por que devo usar print em for e, qual o motivo de não conseguir criar um objeto com ele da mesma forma que pode se fazer com funções apply?

3 Respostas 3

4

lapply vs for

lapply e for são funções primitivas no R. Sim, for é uma função primitiva também:

`for`(i, 1:10, {print(i + 1)})
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
[1] 8
[1] 9
[1] 10
  • for recebe um nome de variável, uma sequência de valores e uma expressão e avalia esta expressão modificando o valor da variável com o nome indicado para cada valor da sequência passada como argumento. O importante aqui é a palavra expressão. for avalia expressões.

  • lapply recebe um vetor (no sentido de vetor em R de baixo nível, ou seja, qualquer coisa que pode ser criada usando vector) e uma função. Em seguida lapply aplica essa função para cada elemento do vetor passado como argumento e retorna os resultados em uma lista.

por que preciso dar print dentro do for?

O for não retorna nenhum resultado. Ele apenas avalia a expressão que foi passada como argumento. Se essa expressão não printar nada no console, então o for não vai imprimir nada lá.

O lapply por si só também não imprime nada no console. O ponto é que lapply retorna uma lista com o resultado da aplicação da função para cada elemento de um vetor. Quando esse valor é retornado diretamente em sessões interativas, sem ser atribuído a uma variável, o R imprime esse valor no console. Por isso o seguinte funciona:

lapply(1:3, function(x) x)
[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 3

por que posso criar objetos com lapply e não com for?

Como vimos anteriormente, lapply retorna uma lista. Se a função retorna uma lista, podemos atribuir um nome ao resultado. Isto é, podemos criar uma variável que salve os resultados.

x <- lapply(1:3, function(x) x)

Também vimos anteriormente, que o for não retorna nada. O for só avalia a expressão que passamos como argumento para cada valor possível da variável e do vetor que passamos como valores. Se o for não retorna nada, então não adianta salvar o resultado dele em uma variável. O que fazemos em geral é fazer o for avaliar expressões que salvam valores em objetos.

x <- vector(mode = "list", length = 3)
for (i in 1:3) {
  x[[i]] <- i
}

por que usar for ou lapply?

Em análise de dados, na maioria das vezes que queremos fazer loops é para aplicar a mesma função em cada elemento de um vetor. Neste caso ao invés de escrever:

x <- vector(mode = "list", length = 3)
for (i in 1:3) {
  x[[i]] <- i
}

Que além de ser mais longo tem bem mais chance de ter algum erro, por exemplo esquecermos o índice. Em algum momento trocar o nome do índice e esquecer de mudar na expressão, etc.

Escrevemos:

x <- lapply(1:3, function(x) x)

Concorda que tem menos onde errar aí? Na verdade, é mais ou menos o mesmo motivo do porque usamos for ao invés de usar um while para fazer a mesma coisa:

x <- vector(mode = "list", length = 3)
i <- 1
while (i <= 3) {
  x[[i]] <- i
  i <- i + 1
}
x

Tem muito mais onde errar, certo? No fundo, trocamos um pouco de flexibilidade para ter menos lugares onde errar. O capítulo que o @JdeMello tem uma discussão interessante sobre quando usar for, while ou lapply.

performance

É um mito no R de que for é muito lento quando comparado ao lapply. Na verdade loops são lentos em R quando comparados a códigos vetorizados. Para demonstrar isso considere o benchmark abaixo:

fun_lapply <- function(n) {
  lapply(1:n, function(x) x + 1)
}

fun_for <- function(n) {
  out <- vector(mode = "list", length = n)
  for (i in 1:n) {
    out[[i]] <- i + 1
  }
  out
}

fun_vet <- function(n) {
  as.list(1:n + 1)
}

bench::mark(
  fun_lapply(1000),
  fun_for(1000),
  fun_vet(1000)
) %>% dplyr::select(expression, min, mean, median, max)

# A tibble: 3 x 5
  expression            min     mean   median      max
  <chr>            <bch:tm> <bch:tm> <bch:tm> <bch:tm>
1 fun_lapply(1000)    302µs  328.3µs  319.1µs   2.33ms
2 fun_for(1000)      44.6µs   48.7µs   47.1µs   2.06ms
3 fun_vet(1000)        14µs     18µs   16.7µs   3.73ms

Veja como neste exemplo, lapply é muito mais lento que o for e a versão vetorizada é muito mais rápida do que os dois loops. Neste caso, conseguimos ver o overhead causado pelo lapply porque a função que estamos usando é muito simples, só uma adição. Na prática, a diferença entre lapply e for é mínima porque o que realmente vai custar é a função que está sendo executada no meio.

Portanto em conclusão para performance: use vetorização. Quando não puder, use lapply por que você terá muito menos chance de errar.

3

Semelhanças

A família apply é um escondido. O código abaixo busca reconstruir sintaticamente a semelhança entre o lapply e um for.

resultado <- vector("integer", 10)
for (i in seq_along(resultado)) {
  resultado[[i]] <- i
}
resultado
# [1]  1  2  3  4  5  6  7  8  9 10

resultado2 <- sapply(seq_along(resultado), function(i) {
  i
})
resultado2
#  [1]  1  2  3  4  5  6  7  8  9 10

Outra semelhança entre o for e o apply é que ambas são funções (como tudo que "acontece" no R).

class(`for`)
# [1] "function"
class(apply)
# [1] "function"

As diferenças começam quando verificamos as filosofias que dão base a estas duas funções.

Diferenças

O for retorna NULL de forma invisível. Por esta razão, ele é pensado para efeitos colaterais. Dito de outra forma, o for é uma função que recebe como argumento os elementos com os quais ira interagir, executa um código no ambiente em que foi chamado para cada um destes elementos, e sempre retorna NULL invisível. Mais ou menos assim,

meu_for <- function(nome, iteradores, expr) {
  contador <- 1
  while (contador <= length(iteradores)) {
    assign(as.character(substitute(nome)), iteradores[contador])

    eval(substitute(expr))
    contador <- contador + 1
  }
  invisible(NULL)
}

meu_for(i, 1:10, {
  i
})
# Não imprime nada

meu_for(i, 1:10, {
  print(i)
})
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
[1] 8
[1] 9
[1] 10

Já a família apply está pensada de forma mais vinculada ao paradigma funcional, que tem aversão a efeitos colaterais. Isso faz com que elas busquem retornar um valor no lugar de esperar que você o faça por meio de efeitos colaterais.

print e criação de objetos no for

A fato de o for sempre retornar NULL é a razão pela qual o loop não imprime e o apply imprime. Isso ocorre porque no R chamar um objeto no ambiente interativo é o mesmo que chamar print(objeto). Porém no meio do corpo de uma função, chamar um objeto não imprime ele.

funcao <- function() {
  "Não me imprime"
  "Mas me imprime, porque sou o retorno da função"
}

funcao()
# [1] "Mas me imprime, porque sou o retorno da função"

Além disso, conforme a Jenny Bryan já disse, alguém provavelmente já escreveu um loop para você em funções como base::lapply ou purrr::map. A vantagem de confiar nestas formas é que

  1. Você pode se aproveitar de melhorias e otimizações feitas por pessoas dedicadas a isso.
  2. O código "dentro" do loop fica contido numa função e portanto pode ser testado e reutilizado mais facilmente.
1

Diferenças entre lapply() e for

Este é um comentário não-exaustivo sobre esse tópico.

Realmente, lapply tende a ser mais rápido que for em . Isso por que lapply() é parcialmente escrito numa linguagem low-level (em ). Under the hood, se você checar lapply, você vai ver o seguinte:

> lapply
function (X, FUN, ...) 
{
    FUN <- match.fun(FUN)
    if (!is.vector(X) || is.object(X)) 
        X <- as.list(X)
    .Internal(lapply(X, FUN))
}
<bytecode: 0x0000000002dcc0e8>
<environment: namespace:base>

Quando chamamos .Internal, recebemos:

> base::.Internal
function (call)  .Primitive(".Internal")

Funções .Primitive são escritas em e tendem a ser mais eficientes. Entretanto, elas são construídas de um modo diferente do que estamos acostumados com a sintaxe do R. Por isso que lapply() tende a ser mais rápido que o for.

Entretanto, tenha em mente que o for loop pode ser preferível à lapply, por exemplo quando você tiver que modificar parte de um objeto:

set.seed(1)
df <- data.frame(num_1 = runif(100, 0, 100), 
           num_2 = rnorm(100, 100, 20), 
           char_1 = sample(letters, 100, replace = T), stringsAsFactors = F)

# modificar somente colunas numericas
cols <- grep(x= names(df), pattern = "(?i)^num", value = T)

Com for:

for(i in cols){
  df[[i]] <- round(df[[i]]) 
}

Com lapply:

invisible(
lapply(cols, function(x){
  df[[x]] <<- round(df[[i]])
})
)

Nesse caso, temos que usar <<- dentro de lapply para poder modificar df permanentemente. Além do mais, precisamos usar invisible() para evitar que o output de lapply saia no console.[1]

Além do mais, for permite certos control-flows como next:

for(i in seq_along(df)){

  if(is.character(df[[i]])) next # pular essa iteracao se condicao eh satisfeita

  df[[i]] <- round(df[[i]]) 
}

Se você quiser "criar" um object com for, você tem que criá-lo antes de começar o loop pois...

por que devo usar print em for e, qual o motivo de não conseguir criar um objeto com ele da mesma forma que pode se fazer com funções apply?

for é um loop e não uma função que retorna um objeto. apply e suas combinações são funções que retornam objetos. Para se criar um objeto com for, é preciso definí-lo antes da iteração do for loop (usando o seu mylist):

x <- vector(length = length(mylist))
for(i in seq_along(mylist)){
  x[[i]] <- print(names(mylist)[[i]])
}

Output:

[1] "dataset1"
[1] "dataset2"
[1] "dataset3"
> x
[1] "dataset1" "dataset2" "dataset3"

[1] http://adv-r.had.co.nz/Functionals.html#functionals-not

4
  • 1
    não é verdade que o for é mais lento que o lapply. Commented 15/01/2019 às 11:16
  • Bem, na minha máquina, for loop é marginalmente mais lento, mas de fato o for loop melhorou muito nas ultimas edições do R e a diferença é imperceptível. Na verdade, na minha opiniao, o grande beneficio de lapply é o fato de não modificar objetos ja existentes no environment.
    – JdeMello
    Commented 15/01/2019 às 12:14
  • qual benchmark vc está fazendo? Commented 15/01/2019 às 12:14
  • Estou usando o pacote microbenchmark. Com um vetor com 100,00 elementos, a minha operação deu lapply mais rápido na média.
    – JdeMello
    Commented 15/01/2019 às 15:00

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .