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.