Comment utiliser la fonction «balayage»
Quand je regarde la source des packages R, je vois la fonction sweep utilisée assez souvent. Parfois, il est utilisé lorsqu'une fonction plus simple aurait suffi (par exemple, apply), d'autres fois, il est impossible de savoir exactement ce qu'il fait sans passer beaucoup de temps à parcourir le bloc de code dans lequel il se trouve.
Le fait que je puisse reproduire l'effet de sweep à l'aide d'une fonction plus simple suggère que je ne comprends pas les principaux cas d'utilisation de sweep, et le fait que cette fonction soit utilisée si souvent suggère qu'elle est très utile.
Le contexte:
sweep est une fonction de la bibliothèque standard de R; ses arguments sont:
sweep(x, MARGIN, STATS, FUN="-", check.margin=T, ...)
# x is the data
# STATS refers to the summary statistics which you wish to 'sweep out'
# FUN is the function used to carry out the sweep, "-" is the default
Comme vous pouvez le voir, les arguments sont similaires à apply bien que sweep nécessite un paramètre de plus, STATS.
Une autre différence clé est que sweep renvoie un tableau de même forme que le tableau d'entrée, tandis que le résultat renvoyé par apply dépend de la fonction transmise.
sweep en action:
# e.g., use 'sweep' to express a given matrix in terms of distance from
# the respective column mean
# create some data:
M = matrix( 1:12, ncol=3)
# calculate column-wise mean for M
dx = colMeans(M)
# now 'sweep' that summary statistic from M
sweep(M, 2, dx, FUN="-")
[,1] [,2] [,3]
[1,] -1.5 -1.5 -1.5
[2,] -0.5 -0.5 -0.5
[3,] 0.5 0.5 0.5
[4,] 1.5 1.5 1.5
Donc, en somme, ce que je recherche, c'est un cas d'utilisation exemplaire ou deux pour sweep.
Veuillez ne pas réciter ni créer de lien vers la documentation R, les listes de diffusion ou l'une des sources R "principales" - supposez que je les ai lues. Ce qui m'intéresse, c'est comment les programmeurs/analystes R expérimentés utilisent sweep dans leur propre code.
sweep() est généralement utilisé lorsque vous utilisez une matrice par ligne ou par colonne, et l'autre entrée de l'opération est une valeur différente pour chaque ligne/colonne. Que vous fonctionniez par ligne ou par colonne est défini par MARGIN, comme pour apply(). Les valeurs utilisées pour ce que j'ai appelé "l'autre entrée" sont définies par STATS. Ainsi, pour chaque ligne (ou colonne), vous prendrez une valeur de STATS et l'utiliserez dans l'opération définie par FUN.
Par exemple, si vous souhaitez ajouter 1 à la 1ère ligne, 2 à la 2ème, etc. de la matrice que vous avez définie, vous ferez:
sweep (M, 1, c(1: 4), "+")
Franchement, je n'ai pas compris la définition dans la documentation R non plus, je viens d'apprendre en recherchant des exemples.
sweep () peut être idéal pour manipuler systématiquement une grande matrice, colonne par colonne ou ligne par ligne, comme illustré ci-dessous:
> print(size)
Weight Waist Height
[1,] 130 26 140
[2,] 110 24 155
[3,] 118 25 142
[4,] 112 25 175
[5,] 128 26 170
> sweep(size, 2, c(10, 20, 30), "+")
Weight Waist Height
[1,] 140 46 170
[2,] 120 44 185
[3,] 128 45 172
[4,] 122 45 205
[5,] 138 46 200
Certes, cet exemple est simple, mais en changeant l'argument STATS et FUN, d'autres manipulations sont possibles.
Cette question est un peu ancienne, mais depuis que j'ai récemment rencontré ce problème, une utilisation typique de balayage peut être trouvée dans le code source de la fonction stats cov.wt, utilisé pour calculer les matrices de covariance pondérées. Je regarde le code dans R 3.0.1. Ici, sweep est utilisé pour soustraire les moyennes des colonnes avant de calculer la covariance. À la ligne 19 du code, le vecteur de centrage est dérivé:
center <- if (center)
colSums(wt * x)
else 0
et sur la ligne 54, il est balayé de la matrice
x <- sqrt(wt) * sweep(x, 2, center, check.margin = FALSE)
L'auteur du code utilise la valeur par défaut FUN = "-", ce qui m'a un peu dérouté.
Une utilisation est lorsque vous calculez pondéré sommes pour un tableau. Où rowSums ou colSums peut être supposé signifier 'poids = 1', sweep peut être utilisé avant cela pour donner un résultat pondéré. Ceci est particulièrement utile pour les tableaux avec> = 3 dimensions.
Cela revient par exemple lors du calcul d'une matrice de covariance pondérée selon l'exemple de @James King.
En voici une autre basée sur un projet en cours:
set.seed(1)
## 2x2x2 array
a1 <- array(as.integer(rnorm(8, 10, 5)), dim=c(2, 2, 2))
## 'element-wise' sum of matrices
## weights = 1
rowSums(a1, dims=2)
## weights
w1 <- c(3, 4)
## a1[, , 1] * 3; a1[, , 2] * 4
a1 <- sweep(a1, MARGIN=3, STATS=w1, FUN="*")
rowSums(a1, dims=2)
Vous pouvez utiliser la fonction sweep pour mettre à l'échelle et centrer les données comme le code suivant. Notez que means et sds sont arbitraires ici (vous pouvez avoir des valeurs de référence que vous souhaitez standardiser les données en fonction d'eux):
df=matrix(sample.int(150, size = 100, replace = FALSE),5,5)
df_means=t(apply(df,2,mean))
df_sds=t(apply(df,2,sd))
df_T=sweep(sweep(df,2,df_means,"-"),2,df_sds,"/")*10+50
Ce code convertit les scores bruts en scores T (avec moyenne = 50 et sd = 10):
> df
[,1] [,2] [,3] [,4] [,5]
[1,] 109 8 89 69 15
[2,] 85 13 25 150 26
[3,] 30 79 48 1 125
[4,] 56 74 23 140 100
[5,] 136 110 112 12 43
> df_T
[,1] [,2] [,3] [,4] [,5]
[1,] 56.15561 39.03218 57.46965 49.22319 40.28305
[2,] 50.42946 40.15594 41.31905 60.87539 42.56695
[3,] 37.30704 54.98946 47.12317 39.44109 63.12203
[4,] 43.51037 53.86571 40.81435 59.43685 57.93136
[5,] 62.59752 61.95672 63.27377 41.02349 46.09661