能快速将复杂的list结构扁平化成dataframe

简单的讲，do.call 的功能就是执行一个函数，而这个函数的参数呢，放在一个list里面, 是list的每个子元素。它可以在实际调用函数时将参数以列表的形式传入，下面是一个简单的例子：

  1. > tmp <- data.frame('letter' = letters[1:10], 'number' = 1:10, 'value' = c('+','-'))
  2. > tmp
  3.    letter number value
  4. 1       a      1     +
  5. 2       b      2     -
  6. 3       c      3     +
  7. 4       d      4     -
  8. 5       e      5     +
  9. 6       f      6     -
  10. 7       g      7     +
  11. 8       h      8     -
  12. 9       i      9     +
  13. 10      j     10     -
  14. > tmp[[1]]
  15.  [1] a b c d e f g h i j
  16. > tmp[[2]]
  17.  [1]  1  2  3  4  5  6  7  8  9 10
  18. > tmp[[3]]
  19.  [1] + - + - + - + - + -
  20. > do.call("paste", c(tmp, sep = ""))
  21.  [1] "a1+"  "b2-"  "c3+"  "d4-"  "e5+"  "f6-"  "g7+"  "h8-"  "i9+"  "j10-"
  22. ## 调用函数时将参数以列表的形式传入

通过do.call(),实现多个数据框的合并。

tidyverse中

  1. > list1
  2. [[1]]
  3.   up down number
  4. 1  A    a      1
  5. 2  B    b      2
  6. 3  C    c      3
  7. 4  D    d      4
  8. 5  E    e      5
  10. [[2]]
  11.   up down number
  12. 1  A    a      1
  13. 2  B    b      2
  14. 3  C    c      3
  15. 4  D    d      4
  16. 5  E    e      5
  18. [[3]]
  19.   up down number
  20. 1  A    a      1
  21. 2  B    b      2
  22. 3  C    c      3
  23. 4  D    d      4
  24. 5  E    e      5
  26. > do.call("rbind",list1)
  27.    up down number
  28. 1   A    a      1
  29. 2   B    b      2
  30. 3   C    c      3
  31. 4   D    d      4
  32. 5   E    e      5
  33. 6   A    a      1
  34. 7   B    b      2
  35. 8   C    c      3
  36. 9   D    d      4
  37. 10  E    e      5
  38. 11  A    a      1
  39. 12  B    b      2
  40. 13  C    c      3
  41. 14  D    d      4
  42. 15  E    e      5

通过 do.call() 实现了内部函数对外部输入的自动匹配。

  1. #构建求和参数
  2. Sum <- function(a = 1, b = 2, c = 3, d = 4) {
  3.   message("a:", a, " b:", b, " c:", c, " d:", d)
  4.   return(sum(a, b, c, d))
  5. }
  6. Args <- expand.grid(
  7.   c(1, 2),
  8.   c(3, 4, 5),
  9.   c(6, 7, 8, 9)
  10. )
  11. colnames(Args) <- c("a", "b", "c")
  13. batchSum <- function(ArgsMat) {
  14.   args <- list()
  15.   for (i in 1:nrow(ArgsMat)) {
  16.     args_update <- c(args, ArgsMat[i, , drop = FALSE])
  17.     do.call(Sum, args = args_update)
  18.   }
  19. }
  21. batchSum(Args)
  22. #> a:1 b:3 c:6 d:4
  23. #> a:2 b:3 c:6 d:4
  24. #> a:1 b:4 c:6 d:4
  25. #> a:2 b:4 c:6 d:4
  26. #> a:1 b:5 c:6 d:4
  27. #> a:2 b:5 c:6 d:4
  28. #> a:1 b:3 c:7 d:4
  29. #> a:2 b:3 c:7 d:4
  30. #> a:1 b:4 c:7 d:4
  31. #> a:2 b:4 c:7 d:4
  32. #> a:1 b:5 c:7 d:4
  33. #> a:2 b:5 c:7 d:4
  34. #> a:1 b:3 c:8 d:4
  35. #> a:2 b:3 c:8 d:4
  36. #> a:1 b:4 c:8 d:4
  37. #> a:2 b:4 c:8 d:4
  38. #> a:1 b:5 c:8 d:4
  39. #> a:2 b:5 c:8 d:4
  40. #> a:1 b:3 c:9 d:4
  41. #> a:2 b:3 c:9 d:4
  42. #> a:1 b:4 c:9 d:4
  43. #> a:2 b:4 c:9 d:4
  44. #> a:1 b:5 c:9 d:4
  45. #> a:2 b:5 c:9 d:4
  47. colnames(Args) <- c("a", "c", "d")
  49. batchSum(Args)
  50. #> a:1 b:2 c:3 d:6
  51. #> a:2 b:2 c:3 d:6
  52. #> a:1 b:2 c:4 d:6
  53. #> a:2 b:2 c:4 d:6
  54. #> a:1 b:2 c:5 d:6
  55. #> a:2 b:2 c:5 d:6
  56. #> a:1 b:2 c:3 d:7
  57. #> a:2 b:2 c:3 d:7
  58. #> a:1 b:2 c:4 d:7
  59. #> a:2 b:2 c:4 d:7
  60. #> a:1 b:2 c:5 d:7
  61. #> a:2 b:2 c:5 d:7
  62. #> a:1 b:2 c:3 d:8
  63. #> a:2 b:2 c:3 d:8
  64. #> a:1 b:2 c:4 d:8
  65. #> a:2 b:2 c:4 d:8
  66. #> a:1 b:2 c:5 d:8
  67. #> a:2 b:2 c:5 d:8
  68. #> a:1 b:2 c:3 d:9
  69. #> a:2 b:2 c:3 d:9
  70. #> a:1 b:2 c:4 d:9
  71. #> a:2 b:2 c:4 d:9
  72. #> a:1 b:2 c:5 d:9
  73. #> a:2 b:2 c:5 d:9
  74. ##此时B是不会变的