简单参数设置就能搞定的事情，是不会用到do.call的。
在运用R的过程中总会碰到这样一类函数，它们接受的参数数量可以是任意的，该函数会处理这些参数，并返回处理结果。
最简单的例子就是data.frame
比如：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
> x1 = 1:10> x2 = 11:20> x3 = 21:30> data.frame(x1,x2,x3) x1 x2 x31 1 11 212 2 12 223 3 13 234 4 14 245 5 15 256 6 16 267 7 17 278 8 18 289 9 19 2910 10 20 30 |
你可以在data.frame函数中加入任意多的向量参数（x1,x2,x3都是向量）。
不过现在的情况是：你明确知道你仅将这三个向量拼凑成一个数据框就行了，那么，你写成data.frame(x1,x2,x3)是最好的方法，没必要写成如下的方式：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
> do.call("data.frame",list(x1,x2,x3)) X1.10 X11.20 X21.301 1 11 212 2 12 223 3 13 234 4 14 245 5 15 256 6 16 267 7 17 278 8 18 289 9 19 2910 10 20 30 |
不过，假设你遇到的情况是这样：你现在需要从磁盘上的某个文件中读入所有行次的数据，但是随情况变化，文件的长度会发生改变。
可是你打算编写一个能同时应对各种长度文件的程序，程序目的是将文件中各行的内容竖过来，按列组成一个数据框。
那么请问你有哪些方法？——read.table()+t()，好吧，我承认我又输了，看来do.call还不是最好的选项。
那么如果这个文件各行的类型不同呢？比如一行字符，一行数字，一行布尔值，如此循环延伸，你又能怎么办？
|
1
2
3
4
5
6
7
8
9
10
11
|
f = file("abc.txt", "r")n = length(count.fields("abc.txt")) / 3l = list()for (i in 1:n) { l[[(i-1)*3 + 1]] = scan(file = f, sep = ",", nlines = 1, what = "", quiet = TRUE) l[[(i-1)*3 + 2]] = scan(file = f, sep = ",", nlines = 1, what = 0, quiet = TRUE) l[[(i-1)*3 + 3]] = scan(file = f, sep = ",", nlines = 1, what = TRUE, quiet = TRUE)}names(l) = paste("l", 1:length(l), sep = "")r = do.call("data.frame", l)print(r) |
仍然有替代方案：
（1）我就用read.table()+t()，大不了事后再按列转换类型！
（2）仍然是上述循环，我不要每次都把值押入list中，我直接创建data.frame，之后再用cbind()逐列添加，这样就用不着do.call了
那么现在再次提高难度：取消转置函数t()的使用，不允许使用cbind()函数。那么你只能用do.call了。
我其实一点都不蛮横，只要换一种情境即可——ffbase包，专门处理大数据的扩展包，其中ffdf对象与data.frame类似（不过可容纳更多数据），但不容易增添新列，且无法转置！ffdf函数是什么你不需要知道，你只要知道它也可以添加任意多的参数即可。
好吧，下面就是一个涉及ffbase包的程序片段
来感受一下do.call的用法吧：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
addStrategyData <- function(detailList, index) { a = list() x = detailList[[index]] vMode = sapply(names(x), function(y) switch(y, "s" = "integer", "t" = "double", "f" = "logical")) names(vMode) = names(x) x = as.ffdf(x, vmode = vMode) for (i in 1:ncol(x)) a[[i]] = x[[i]] for (i in (length(a) + 1:length(detailList))) a[[i]] = ff(FALSE, length = nrow(x), vmode = "logical") a[[ncol(x) + index]] = ff(TRUE, length = nrow(x), vmode = "logical") names(a) = c(names(x), paste("S", 1:length(detailList), sep = "")) return(do.call("ffdf", a))} |
某些情况下，你知道某个函数接受参数的明确个数，但是太多了，你懒，所以用do.call；但更多的情况是你迫不得已，必须用它。
补充：R中的LAPPLY和DO.CALL有什么区别？
最近我在学习R，两个函数lapply和do.call混淆了。 看起来，它们和Lisp中的map函数类似。 但是为什么有两个不同的名字呢？ 为什么R不使用称为map的函数？
有一个称为Map的function，可能与其他语言的地图类似：
lapply
返回与X相同长度的列表，其中每个元素都是将FUN应用于X的对应元素的结果。
do.call
构造并执行一个函数调用，从一个名字或一个函数和一个参数列表传递给它。
Map将一个函数应用到给定vector的相应元素… Map是一个简单的mapply包装，它不会试图简化结果，类似于Common Lisp的mapcar（但是参数被回收）。 未来的版本可能允许对结果types进行一些控制。
1、Map是mapply的包装
2、lapply是mapply
3、因此在许多情况下Map和lapply将是相似的。
例如，这里是lapply ：
|
1
|
lapply(iris, class) $Sepal.Length [1] "numeric" $Sepal.Width [1] "numeric" $Petal.Length [1] "numeric" $Petal.Width [1] "numeric" $Species [1] "factor" |
和使用Map ：
|
1
|
Map(class, iris) $Sepal.Length [1] "numeric" $Sepal.Width [1] "numeric" $Petal.Length [1] "numeric" $Petal.Width [1] "numeric" $Species [1] "factor" |
do.call采用一个函数作为input，并将其他参数泼到函数上。 例如，它被广泛用于将列表组装成更简单的结构（通常使用rbind或cbind ）。
例如：
|
1
|
x <- lapply(iris, class) do.call(c, x) Sepal.Length Sepal.Width Petal.Length Petal.Width Species "numeric" "numeric" "numeric" "numeric" "factor" |
lapply在列表上应用一个函数， do.call用参数列表调用一个函数。 这对我来说看起来很不一样
用列表举个例子：
|
1
|
X <- list(1:3,4:6,7:9) |
用lapply你可以得到列表中每个元素的意思：
|
1
|
> lapply(X,mean) [[1]] [1] 2 [[2]] [1] 5 [[3]] [1] 8 |
do.call给出一个错误，正如意味着参数“trim”为1。
另一方面， rbind绑定所有参数。 所以绑定X行，你做：
|
1
|
> do.call(rbind,X) [,1] [,2] [,3] [1,] 1 2 3 [2,] 4 5 6 [3,] 7 8 9 |
如果你使用lapply ，R会将rbind应用于列表中的每一个元素，给你这个废话：
|
1
|
> lapply(X,rbind) [[1]] [,1] [,2] [,3] [1,] 1 2 3 [[2]] [,1] [,2] [,3] [1,] 4 5 6 [[3]] [,1] [,2] [,3] [1,] 7 8 9 |
要有像Map这样的东西，你需要?mapply ，这是完全不同的东西。 为了得到例如X中每个元素的平均值，但是使用不同的修整，可以使用：
|
1
|
> mapply(mean,X,trim=c(0,0.5,0.1)) [1] 2 5 8 |
lapply与map类似， do.call不是。 lapply将函数应用于列表的所有元素， do.call调用一个函数，其中所有的函数参数都在列表中。 所以对于一个n元素列表， lapply有n函数调用， do.call只有一个函数调用。 所以do.call与lapply完全不同。 希望这个澄清你的问题。
一个代码示例：
|
1
|
do.call(sum, list(c(1,2,4,1,2), na.rm = TRUE)) |
和：
|
1
|
lapply(c(1,2,4,1,2), function(x) x + 1) |
用最简单的话来说：
lapply（）为列表中的每个元素应用一个给定的函数，所以会有几个函数调用。
do.call（）将给定的函数作为一个整体应用于列表，所以只有一个函数调用。
最好的学习方法是在R文档中使用函数示例。
lapply()是一个类似地图的函数。 do.call()是不同的。 它用于将parameter passing给列表forms的函数，而不是枚举它们。 例如，
|
1
|
> do.call("+",list(4,5)) [1] 9 |
虽然有很多答案，这里是我的例子供参考。 假设我们有一个数据列表：
|
1
|
L=list(c(1,2,3), c(4,5,6)) |
函数lapply返回一个列表。
|
1
|
lapply(L, sum) |
上面的意思就像下面这样。
|
1
|
list( sum( L[[1]]) , sum( L[[2]])) |
现在让我们为do.call做同样的事情
|
1
|
do.call(sum, L) |
它的意思是
|
1
|
sum( L[[1]], L[[2]]) |
在我们的例子中，它返回21.总之，lapply总是返回一个列表，而do.call的返回types实际上取决于执行的函数。
两者的区别是：
|
1
|
lapply(1:n,function,parameters) |
=>这个发送1，参数到function=>这个发送2，参数到function等等
|
1
|
do.call |
只需发送1 … n作为一个向量和参数来运行
所以在应用你有n个函数调用，在do.call中你只有一个
我觉得在这方面一个重要的方面没有得到certificate（或对我来说不明显）。 也就是说，您可以使用do.call将list中的命名parameter passing给函数。
例如， runif需要参数n ， min和max 。 可以使用do.call来传递这些信息，如下所示。
|
1
|
para <- list(n = 10, min = -1, max = 1) do.call(runif, para) #[1] -0.4689827 -0.2557522 0.1457067 0.8164156 -0.5966361 0.7967794 #[7] 0.8893505 0.3215956 0.2582281 -0.8764275 |
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/XIUXIU179/article/details/80752723
