Funciones
1 Conceptos Básicos
1.1 Fuentes de información
1.2 Componentes de una función
- Una función se define con
function
name <- function(arg_1, arg_2, ...) expression
- Está compuesta por:
- Nombre de la función (
name) - Argumentos (
arg_1,arg_2,...) - Cuerpo (
expression): emplea los argumentos para generar un resultado
- Nombre de la función (
1.3 Mi primera función
- Definición
myFun <- function(x, y) { x + y }
- Argumentos
formals(myFun)
$x $y
- Cuerpo
body(myFun)
{
x
y
}
1.4 Mi primera función
myFun(1, 2)
[1] 3
myFun(1:10, 21:30)
[1] 22 24 26 28 30 32 34 36 38 40
myFun(1:10, 3)
[1] 4 5 6 7 8 9 10 11 12 13
1.5 Argumentos: nombre y orden
Una función identifica sus argumentos por su nombre y por su orden (sin nombre)
power <- function(x, exp) { x^exp }
power(x=1:10, exp=2)
[1] 1 4 9 16 25 36 49 64 81 100
power(1:10, exp=2)
[1] 1 4 9 16 25 36 49 64 81 100
power(exp=2, x=1:10)
[1] 1 4 9 16 25 36 49 64 81 100
1.6 Argumentos: valores por defecto
- Se puede asignar un valor por defecto a los argumentos
power <- function(x, exp = 2) { x ^ exp }
power(1:10)
[1] 1 4 9 16 25 36 49 64 81 100
power(1:10, 2)
[1] 1 4 9 16 25 36 49 64 81 100
1.7 Funciones sin argumentos
hello <- function() { print('Hello world!') }
hello()
[1] "Hello world!"
1.8 Argumentos sin nombre: ...
pwrSum <- function(x, power, ...) { sum(x ^ power, ...) }
x <- 1:10
pwrSum(x, 2)
[1] 385
x <- c(1:5, NA, 6:9, NA, 10) pwrSum(x, 2)
[1] NA
pwrSum(x, 2, na.rm=TRUE)
[1] 385
1.9 Argumentos ausentes: missing
suma10 <- function(x, y) { if (missing(y)) y <- 10 x + y }
suma10(1:10)
[1] 11 12 13 14 15 16 17 18 19 20
1.10 Control de errores: stopifnot
foo <- function(x, y) { stopifnot(is.numeric(x) & is.numeric(y)) x + y }
foo(1:10, 21:30)
[1] 22 24 26 28 30 32 34 36 38 40
foo(1:10, 'a')
Error in foo(1:10, "a") : is.numeric(x) & is.numeric(y) is not TRUE
1.11 Control de errores: stop
foo <- function(x, y){ if (!(is.numeric(x) & is.numeric(y))){ stop('arguments must be numeric.') } else { x + y } }
foo(2, 3)
[1] 5
foo(2, 'a')
Error in foo(2, "a") : arguments must be numeric.
1.12 Mensajes para el usuario
stop para la ejecución y emite un mensaje de error
stop('Algo no ha ido bien.')
Error: Algo no ha ido bien.
warning no interfiere en la ejecución pero añade un mensaje a la cola de advertencias
warning('Quizás algo no es como debiera...')
Warning message: Quizás algo no es como debiera...
message emite un mensaje (no usar cat o print)
message('Todo en orden por estos lares.')
Todo en orden por estos lares.
2 Lexical scope
2.1 Clases de variables
Las variables que se emplean en el cuerpo de una función pueden dividirse en:
- Parámetros formales (argumentos):
x,y - Variables locales (definiciones internas):
z,w,m - Variables libres:
a,b
myFun <- function(x, y){ z <- x^2 w <- y^3 m <- a*z + b*w m }
a <- 10 b <- 20 myFun(2, 3)
[1] 580
2.2 Lexical scope
- Las variables libres deben estar disponibles en el entorno
(
environment) en el que la función ha sido creada.
environment(myFun)
<environment: R_GlobalEnv>
ls()
[1] "a" "anidada" "b" "constructor" "fib" [6] "foo" "hello" "i" "lista" "ll" [11] "M" "makeNoise" "myFoo" "myFun" "power" [16] "pwrSum" "suma1" "suma10" "suma2" "suma3" [21] "sumProd" "sumSq" "tmp" "x"
2.3 Lexical scope: funciones anidadas
anidada <- function(x, y){ xn <- 2 yn <- 3 interna <- function(x, y) { sum(x^xn, y^yn) } print(environment(interna)) interna(x, y) }
anidada(1:3, 2:4)
<environment: 0x561467f15098> [1] 113
sum((1:3)^2, (2:4)^3)
[1] 113
2.4 Lexical scope: funciones anidadas
xn
Error: objeto 'xn' no encontrado
yn
Error: objeto 'yn' no encontrado
interna
Error: objeto 'interna' no encontrado
2.5 Funciones que devuelven funciones
constructor <- function(m, n){ function(x) { m*x + n } }
myFoo <- constructor(10, 3)
myFoo
function(x)
{
m*x
n
}
<environment: 0x561465446120>
## 10*5 + 3 myFoo(5)
[1] 53
2.6 Funciones que devuelven funciones
class(myFoo)
[1] "function"
environment(myFoo)
<environment: 0x561465446120>
ls()
[1] "a" "anidada" "b" "constructor" "fib" [6] "foo" "hello" "i" "lista" "ll" [11] "M" "makeNoise" "myFoo" "myFun" "power" [16] "pwrSum" "suma1" "suma10" "suma2" "suma3" [21] "sumProd" "sumSq" "tmp" "x"
ls(env = environment(myFoo))
[1] "m" "n"
get('m', env = environment(myFoo))
[1] 10
get('n', env = environment(myFoo))
[1] 3
3 Funciones para ejecutar funciones
3.1 lapply
Supongamos que tenemos una lista de objetos, y queremos aplicar a cada elemento la misma función:
lista <- list(a = rnorm(100),
b = runif(100),
c = rexp(100))
Podemos resolverlo de forma repetitiva…
sum(lista$a) sum(lista$b) sum(lista$c)
[1] 8.551703 [1] 48.13393 [1] 91.70712
O mejor con lapply (lista + función):
lapply(lista, sum)
$a [1] 8.551703 $b [1] 48.13393 $c [1] 91.70712
3.2 do.call
Supongamos que queremos usar los elementos de la lista como argumentos de una función.
Resolvemos de forma directa:
sum(lista$a, lista$b, lista$c)
[1] 148.3928
Mejoramos un poco con with:
with(lista, sum(a, b, c))
[1] 148.3928
La forma recomendable es mediante do.call (función + lista)
do.call(sum, lista)
[1] 148.3928
3.3 do.call
Se emplea frecuentemente para adecuar el resultado de lapply (entrega una lista):
x <- rnorm(5) ll <- lapply(1:5, function(i)x^i) do.call(rbind, ll)
[,1] [,2] [,3] [,4] [,5]
[1,] -0.1741481604 1.836011 1.572541 0.38827268 1.408270
[2,] 0.0303275818 3.370936 2.472885 0.15075568 1.983224
[3,] -0.0052814926 6.189075 3.888713 0.05853431 2.792915
[4,] 0.0009197622 11.363209 6.115161 0.02272727 3.933179
[5,] -0.0001601749 20.862975 9.616340 0.00882438 5.538978
3.4 Reduce
Combina sucesivamente los elementos de un objeto aplicando una función binaria
## (((1+2)+3)+4)+5 Reduce('+', 1:5)
[1] 15
3.5 Reduce
## (((1/2)/3)/4)/5 Reduce('/', 1:5)
[1] 0.008333333
foo <- function(u, v)u + 1 /v Reduce(foo, c(3, 7, 15, 1, 292)) ## equivalente a ## foo(foo(foo(foo(3, 7), 15), 1), 292)
[1] 4.212948
Reduce(foo, c(3, 7, 15, 1, 292), right=TRUE) ## equivalente a ## foo(3, foo(7, foo(15, foo(1, 292))))
[1] 3.141593
3.6 Funciones recursivas
Ejemplo: Serie de Fibonnaci
fib <- function(n){ if (n>2) { c(fib(n-1), sum(tail(fib(n-1),2))) } else if (n>=0) rep(1,n) }
fib(10)
[1] 1 1 2 3 5 8 13 21 34 55
4 Debug
4.1 Post-mortem: traceback
sumSq <- function(x, ...) sum(x ^ 2, ...) sumProd <- function(x, y, ...){ xs <- sumSq(x, ...) ys <- sumSq(y, ...) xs * ys }
sumProd(rnorm(10), runif(10))
[1] 38.5012
sumProd(rnorm(10), letters[1:10])
Error in x^2 : argumento no-numérico para operador binario
traceback()
2: sumSq(y, ...) at #3 1: sumProd(rnorm(10), letters[1:10])
4.2 Analizar antes de que ocurra: debug
debug activa la ejecución paso a paso de una función:
debug(sumProd)
- Cada vez que se llame a la función, su cuerpo se ejecuta línea a línea y los resultados de cada paso pueden ser inspeccionados.
- Los comandos disponibles son:
no intro: avanzar un paso.c: continua hasta el final del contexto actual (por ejemplo, terminar un bucle).where: entrega la lista de todas las llamadas activas.Q: termina la inspección y vuelve al nivel superior.
- Para desactivar el análisis:
undebug(sumProd)
4.3 Debugging con RStudio
- Debugging explicado por H. Wickham
- Ejemplo: grabar en un fichero y usar source
sumSq <- function(x, ...) sum(x ^ 2, ...) sumProd <- function(x, y, ...){ xs <- sumSq(x, ...) ys <- sumSq(y, ...) xs * ys } sumProd(rnorm(10), letters[1:10])
Error in x^2 : argumento no-numérico para operador binario
4.4 Analizar antes de que ocurra: trace
tracepermite mayor control quedebug
trace(sumProd, tracer=browser, exit=browser)
[1] "sumProd"
- La función queda modificada
sumProd
Object with tracing code, class "functionWithTrace"
Original definition:
function(x, y, ...){
xs <- sumSq(x, ...)
ys <- sumSq(y, ...)
xs * ys
}
## (to see the tracing code, look at body(object))
body(sumProd)
{
on.exit(.doTrace(browser(), "on exit"))
{
.doTrace(browser(), "on entry")
{
xs <- sumSq(x, ...)
ys <- sumSq(y, ...)
xs * ys
}
}
}
4.5 Analizar antes de que ocurra: trace
- Los comandos
nyccambian respecto adebug:co intro: avanzar un paso.n: continua hasta el final del contexto actual (por ejemplo, terminar un bucle).
- Para desactivar
untrace(sumProd)
5 Profiling
5.1 ¿Cuánto tarda mi función? system.time
Defino una función que rellena una matriz de 106 filas y n columnas con una distribución normal:
makeNoise <- function(n){ sapply(seq_len(n), function(i) rnorm(1e6)) }
M <- makeNoise(100)
summary(M)
V1 V2 V3
Min. :-4.850557 Min. :-4.794546 Min. :-4.959313
1st Qu.:-0.676386 1st Qu.:-0.675196 1st Qu.:-0.673844
Median :-0.000827 Median :-0.000570 Median :-0.001241
Mean :-0.001329 Mean :-0.000532 Mean : 0.000115
3rd Qu.: 0.673604 3rd Qu.: 0.674320 3rd Qu.: 0.673666
Max. : 4.937682 Max. : 4.724857 Max. : 4.829274
V4 V5 V6
Min. :-4.746586 Min. :-4.418662 Min. :-4.922335
1st Qu.:-0.672089 1st Qu.:-0.675456 1st Qu.:-0.675237
Median : 0.000235 Median : 0.000346 Median :-0.001352
Mean : 0.000877 Mean :-0.000081 Mean :-0.000835
3rd Qu.: 0.672989 3rd Qu.: 0.673988 3rd Qu.: 0.674756
Max. : 5.064697 Max. : 5.112633 Max. : 4.896000
V7 V8 V9
Min. :-4.644428 Min. :-4.627102 Min. :-5.352816
1st Qu.:-0.672574 1st Qu.:-0.673407 1st Qu.:-0.674217
Median : 0.002164 Median : 0.000271 Median :-0.000229
Mean : 0.002565 Mean : 0.000547 Mean : 0.000024
3rd Qu.: 0.677710 3rd Qu.: 0.674456 3rd Qu.: 0.675413
Max. : 4.618701 Max. : 4.601317 Max. : 4.949978
V10 V11 V12
Min. :-5.027927 Min. :-4.903829 Min. :-4.697789
1st Qu.:-0.675302 1st Qu.:-0.674489 1st Qu.:-0.675601
Median :-0.000820 Median :-0.000714 Median :-0.001707
Mean :-0.000438 Mean :-0.000620 Mean :-0.001225
3rd Qu.: 0.675767 3rd Qu.: 0.674138 3rd Qu.: 0.673670
Max. : 5.346777 Max. : 4.676823 Max. : 4.580514
V13 V14 V15
Min. :-4.509624 Min. :-5.036134 Min. :-4.782108
1st Qu.:-0.673944 1st Qu.:-0.674532 1st Qu.:-0.673579
Median : 0.000975 Median : 0.000433 Median : 0.000503
Mean : 0.000949 Mean : 0.000039 Mean : 0.000373
3rd Qu.: 0.675379 3rd Qu.: 0.674557 3rd Qu.: 0.673238
Max. : 4.909678 Max. : 4.641636 Max. : 4.858559
V16 V17 V18
Min. :-4.840236 Min. :-4.884061 Min. :-4.802291
1st Qu.:-0.676883 1st Qu.:-0.674009 1st Qu.:-0.676295
Median :-0.001808 Median :-0.000962 Median : 0.000528
Mean :-0.000204 Mean : 0.000562 Mean :-0.000269
3rd Qu.: 0.677312 3rd Qu.: 0.674364 3rd Qu.: 0.675237
Max. : 5.173266 Max. : 4.633160 Max. : 4.861439
V19 V20 V21
Min. :-4.734104 Min. :-4.628800 Min. :-4.998211
1st Qu.:-0.676435 1st Qu.:-0.675693 1st Qu.:-0.675295
Median :-0.000923 Median :-0.000543 Median : 0.001051
Mean :-0.001369 Mean : 0.000363 Mean : 0.000287
3rd Qu.: 0.672723 3rd Qu.: 0.675628 3rd Qu.: 0.676204
Max. : 4.519534 Max. : 4.770924 Max. : 4.872298
V22 V23 V24
Min. :-4.584718 Min. :-5.008954 Min. :-4.962820
1st Qu.:-0.674432 1st Qu.:-0.675657 1st Qu.:-0.673911
Median :-0.001037 Median : 0.000553 Median :-0.000414
Mean :-0.001069 Mean :-0.000315 Mean : 0.000217
3rd Qu.: 0.672974 3rd Qu.: 0.673243 3rd Qu.: 0.674113
Max. : 4.896479 Max. : 5.849746 Max. : 4.723353
V25 V26 V27
Min. :-4.648474 Min. :-5.041275 Min. :-5.076685
1st Qu.:-0.673811 1st Qu.:-0.675506 1st Qu.:-0.673777
Median : 0.001180 Median :-0.000345 Median : 0.001884
Mean : 0.000649 Mean : 0.000347 Mean : 0.001570
3rd Qu.: 0.674306 3rd Qu.: 0.676356 3rd Qu.: 0.675758
Max. : 4.820999 Max. : 4.928471 Max. : 4.949749
V28 V29 V30
Min. :-4.782954 Min. :-5.421742 Min. :-5.172364
1st Qu.:-0.675536 1st Qu.:-0.675365 1st Qu.:-0.672259
Median :-0.000095 Median :-0.001912 Median : 0.001398
Mean :-0.001065 Mean :-0.001701 Mean : 0.001383
3rd Qu.: 0.672350 3rd Qu.: 0.672334 3rd Qu.: 0.675230
Max. : 5.436804 Max. : 5.085306 Max. : 4.964369
V31 V32 V33
Min. :-4.667793 Min. :-4.833797 Min. :-4.694007
1st Qu.:-0.675107 1st Qu.:-0.671960 1st Qu.:-0.674966
Median :-0.001197 Median : 0.001690 Median : 0.001354
Mean :-0.000142 Mean : 0.002202 Mean : 0.000867
3rd Qu.: 0.675070 3rd Qu.: 0.676421 3rd Qu.: 0.674366
Max. : 4.787195 Max. : 4.699088 Max. : 5.010420
V34 V35 V36
Min. :-5.446058 Min. :-4.533631 Min. :-4.752244
1st Qu.:-0.673664 1st Qu.:-0.674191 1st Qu.:-0.672597
Median : 0.001297 Median : 0.000455 Median : 0.001093
Mean : 0.000679 Mean :-0.000148 Mean : 0.001487
3rd Qu.: 0.673649 3rd Qu.: 0.674547 3rd Qu.: 0.675785
Max. : 5.414420 Max. : 5.189383 Max. : 4.849343
V37 V38 V39
Min. :-4.807822 Min. :-4.922465 Min. :-4.574132
1st Qu.:-0.675665 1st Qu.:-0.673740 1st Qu.:-0.674085
Median :-0.000619 Median : 0.001534 Median : 0.000419
Mean :-0.000317 Mean : 0.001441 Mean : 0.000211
3rd Qu.: 0.674693 3rd Qu.: 0.675951 3rd Qu.: 0.675237
Max. : 4.711566 Max. : 5.234585 Max. : 4.912451
V40 V41 V42
Min. :-4.742904 Min. :-5.386501 Min. :-4.999125
1st Qu.:-0.674248 1st Qu.:-0.674838 1st Qu.:-0.672386
Median : 0.000948 Median :-0.001003 Median : 0.001399
Mean :-0.000004 Mean :-0.000596 Mean : 0.001309
3rd Qu.: 0.674465 3rd Qu.: 0.673916 3rd Qu.: 0.676335
Max. : 4.915512 Max. : 4.789493 Max. : 4.707417
V43 V44 V45
Min. :-4.753084 Min. :-4.709842 Min. :-5.273677
1st Qu.:-0.674923 1st Qu.:-0.674049 1st Qu.:-0.674362
Median :-0.000884 Median : 0.000834 Median : 0.000490
Mean :-0.000630 Mean :-0.000506 Mean : 0.000223
3rd Qu.: 0.674982 3rd Qu.: 0.673910 3rd Qu.: 0.673923
Max. : 4.932571 Max. : 5.026923 Max. : 4.653212
V46 V47 V48
Min. :-4.996664 Min. :-4.738134 Min. :-4.859197
1st Qu.:-0.676372 1st Qu.:-0.673854 1st Qu.:-0.674312
Median :-0.000825 Median : 0.001036 Median :-0.000106
Mean :-0.000718 Mean : 0.000624 Mean :-0.000005
3rd Qu.: 0.674396 3rd Qu.: 0.674806 3rd Qu.: 0.674820
Max. : 5.120740 Max. : 5.081875 Max. : 4.877178
V49 V50 V51
Min. :-4.953889 Min. :-4.520459 Min. :-4.708236
1st Qu.:-0.675264 1st Qu.:-0.673504 1st Qu.:-0.673751
Median :-0.000249 Median :-0.001242 Median : 0.000700
Mean :-0.000428 Mean :-0.000663 Mean : 0.000855
3rd Qu.: 0.674614 3rd Qu.: 0.673366 3rd Qu.: 0.676419
Max. : 4.985089 Max. : 4.661399 Max. : 4.840113
V52 V53 V54
Min. :-4.862482 Min. :-5.107180 Min. :-5.798235
1st Qu.:-0.674127 1st Qu.:-0.675357 1st Qu.:-0.674056
Median :-0.000690 Median :-0.001088 Median :-0.002170
Mean :-0.001007 Mean :-0.000679 Mean :-0.001286
3rd Qu.: 0.673654 3rd Qu.: 0.672905 3rd Qu.: 0.672970
Max. : 4.751464 Max. : 5.179290 Max. : 4.702111
V55 V56 V57
Min. :-5.005057 Min. :-5.060830 Min. :-5.105633
1st Qu.:-0.673712 1st Qu.:-0.676715 1st Qu.:-0.673642
Median :-0.001579 Median :-0.000958 Median : 0.001118
Mean :-0.000529 Mean :-0.001274 Mean : 0.000237
3rd Qu.: 0.674349 3rd Qu.: 0.672709 3rd Qu.: 0.674212
Max. : 4.658009 Max. : 4.753345 Max. : 4.951854
V58 V59 V60
Min. :-4.822032 Min. :-4.776918 Min. :-4.640167
1st Qu.:-0.672959 1st Qu.:-0.674258 1st Qu.:-0.674527
Median : 0.001876 Median :-0.001701 Median :-0.001111
Mean : 0.001451 Mean :-0.000080 Mean :-0.000308
3rd Qu.: 0.676163 3rd Qu.: 0.674081 3rd Qu.: 0.674874
Max. : 4.719650 Max. : 4.674338 Max. : 4.794550
V61 V62 V63
Min. :-4.967301 Min. :-4.366678 Min. :-4.801026
1st Qu.:-0.674279 1st Qu.:-0.673558 1st Qu.:-0.675316
Median :-0.000496 Median :-0.000239 Median : 0.000897
Mean :-0.001024 Mean : 0.000339 Mean : 0.000617
3rd Qu.: 0.673062 3rd Qu.: 0.674447 3rd Qu.: 0.676415
Max. : 4.704742 Max. : 4.800138 Max. : 4.992336
V64 V65 V66
Min. :-5.160700 Min. :-4.720091 Min. :-4.869707
1st Qu.:-0.675937 1st Qu.:-0.675230 1st Qu.:-0.677457
Median : 0.000050 Median :-0.000026 Median :-0.004332
Mean :-0.000888 Mean : 0.000342 Mean :-0.002243
3rd Qu.: 0.673925 3rd Qu.: 0.675889 3rd Qu.: 0.672396
Max. : 5.233259 Max. : 4.550943 Max. : 4.574867
V67 V68 V69
Min. :-4.863161 Min. :-5.044760 Min. :-5.093013
1st Qu.:-0.673692 1st Qu.:-0.675270 1st Qu.:-0.673751
Median :-0.001351 Median :-0.000887 Median :-0.000434
Mean :-0.000251 Mean : 0.000325 Mean :-0.000079
3rd Qu.: 0.674305 3rd Qu.: 0.675674 3rd Qu.: 0.676045
Max. : 5.108234 Max. : 5.261013 Max. : 4.745168
V70 V71 V72
Min. :-4.756397 Min. :-4.936753 Min. :-4.474239
1st Qu.:-0.673857 1st Qu.:-0.673124 1st Qu.:-0.675507
Median : 0.002404 Median : 0.001445 Median :-0.000661
Mean : 0.000838 Mean : 0.001182 Mean : 0.000048
3rd Qu.: 0.674465 3rd Qu.: 0.676302 3rd Qu.: 0.675517
Max. : 4.744661 Max. : 5.116368 Max. : 4.921679
V73 V74 V75
Min. :-4.827140 Min. :-4.856865 Min. :-4.779098
1st Qu.:-0.675988 1st Qu.:-0.673974 1st Qu.:-0.676952
Median : 0.000424 Median :-0.001063 Median : 0.001478
Mean : 0.000151 Mean :-0.000969 Mean :-0.000148
3rd Qu.: 0.674845 3rd Qu.: 0.671933 3rd Qu.: 0.674716
Max. : 4.846236 Max. : 4.655334 Max. : 4.461740
V76 V77 V78
Min. :-4.653744 Min. :-4.406902 Min. :-4.718347
1st Qu.:-0.674304 1st Qu.:-0.673636 1st Qu.:-0.674781
Median : 0.001131 Median : 0.002247 Median :-0.000615
Mean : 0.000609 Mean : 0.000869 Mean :-0.000468
3rd Qu.: 0.674453 3rd Qu.: 0.674921 3rd Qu.: 0.673226
Max. : 5.264564 Max. : 4.795977 Max. : 5.220267
V79 V80 V81
Min. :-4.880356 Min. :-4.988047 Min. :-4.913894
1st Qu.:-0.675600 1st Qu.:-0.676624 1st Qu.:-0.672188
Median :-0.001672 Median :-0.002173 Median :-0.001573
Mean :-0.001071 Mean :-0.001445 Mean :-0.000749
3rd Qu.: 0.674288 3rd Qu.: 0.673656 3rd Qu.: 0.672490
Max. : 4.748778 Max. : 4.935536 Max. : 4.681703
V82 V83 V84
Min. :-4.883418 Min. :-4.901276 Min. :-5.079876
1st Qu.:-0.674083 1st Qu.:-0.672021 1st Qu.:-0.675706
Median :-0.000996 Median :-0.000583 Median :-0.000639
Mean :-0.000086 Mean : 0.000978 Mean : 0.000049
3rd Qu.: 0.673292 3rd Qu.: 0.674668 3rd Qu.: 0.675364
Max. : 4.944165 Max. : 4.944620 Max. : 4.569763
V85 V86 V87
Min. :-4.641984 Min. :-4.949596 Min. :-4.611695
1st Qu.:-0.675703 1st Qu.:-0.676107 1st Qu.:-0.673572
Median : 0.000791 Median :-0.000695 Median :-0.000016
Mean :-0.000274 Mean :-0.001878 Mean : 0.000228
3rd Qu.: 0.674507 3rd Qu.: 0.672439 3rd Qu.: 0.674904
Max. : 5.031343 Max. : 5.217666 Max. : 5.637254
V88 V89 V90
Min. :-5.004213 Min. :-4.761411 Min. :-4.885385
1st Qu.:-0.671865 1st Qu.:-0.673912 1st Qu.:-0.676176
Median : 0.001239 Median : 0.000242 Median :-0.001612
Mean : 0.002014 Mean : 0.000157 Mean :-0.001368
3rd Qu.: 0.676138 3rd Qu.: 0.674306 3rd Qu.: 0.672445
Max. : 4.986575 Max. : 4.730267 Max. : 4.723730
V91 V92 V93
Min. :-4.446145 Min. :-5.038213 Min. :-4.968904
1st Qu.:-0.673762 1st Qu.:-0.673108 1st Qu.:-0.674537
Median : 0.001250 Median : 0.002066 Median : 0.000254
Mean : 0.000878 Mean : 0.002104 Mean : 0.000594
3rd Qu.: 0.676381 3rd Qu.: 0.676996 3rd Qu.: 0.675007
Max. : 4.925884 Max. : 4.868710 Max. : 4.980750
V94 V95 V96
Min. :-4.585104 Min. :-4.782599 Min. :-5.465619
1st Qu.:-0.675851 1st Qu.:-0.675098 1st Qu.:-0.672931
Median : 0.000276 Median :-0.002806 Median : 0.001174
Mean :-0.001256 Mean :-0.001156 Mean : 0.001409
3rd Qu.: 0.672974 3rd Qu.: 0.673394 3rd Qu.: 0.676320
Max. : 5.144434 Max. : 5.329044 Max. : 4.860244
V97 V98 V99
Min. :-4.562743 Min. :-4.924833 Min. :-4.946087
1st Qu.:-0.673969 1st Qu.:-0.674671 1st Qu.:-0.672491
Median :-0.001026 Median : 0.000308 Median : 0.001414
Mean :-0.000260 Mean :-0.000628 Mean : 0.001663
3rd Qu.: 0.672525 3rd Qu.: 0.672930 3rd Qu.: 0.675098
Max. : 4.627507 Max. : 4.670783 Max. : 4.471793
V100
Min. :-5.108010
1st Qu.:-0.673406
Median : 0.000605
Mean : 0.000219
3rd Qu.: 0.675098
Max. : 4.465086
5.2 Diferentes formas de sumar
system.time mide el tiempo de CPU que consume un código1.
system.time({
suma1 <- numeric(1e6)
for(i in 1:1e6) suma1[i] <- sum(M[i,])
})
user system elapsed 1.565 0.008 2.090
system.time(suma2 <- apply(M, 1, sum))
user system elapsed 2.718 0.028 2.747
system.time(suma3 <- rowSums(M))
user system elapsed 0.323 0.000 0.323
5.3 ¿Cuánto tarda cada parte de mi función?: Rprof
- Usaremos un fichero temporal
tmp <- tempfile()
- Activamos la toma de información
Rprof(tmp)
- Ejecutamos el código a analizar
suma1 <- numeric(1e6) for(i in 1:1e6) suma1[i] <- sum(M[i,]) suma2 <- apply(M, 1, FUN = sum) suma3 <- rowSums(M)
5.4 ¿Cuánto tarda cada parte de mi función?: Rprof
- Paramos el análisis
Rprof()
- Extraemos el resumen
summaryRprof(tmp)
$by.self
self.time self.pct total.time total.pct
"apply" 1.64 50.00 2.62 79.88
"aperm.default" 0.46 14.02 0.46 14.02
"FUN" 0.46 14.02 0.46 14.02
"rowSums" 0.34 10.37 0.34 10.37
"sum" 0.32 9.76 0.32 9.76
"unlist" 0.04 1.22 0.04 1.22
"lengths" 0.02 0.61 0.02 0.61
$by.total
total.time total.pct self.time self.pct
"apply" 2.62 79.88 1.64 50.00
"aperm.default" 0.46 14.02 0.46 14.02
"FUN" 0.46 14.02 0.46 14.02
"aperm" 0.46 14.02 0.00 0.00
"rowSums" 0.34 10.37 0.34 10.37
"sum" 0.32 9.76 0.32 9.76
"unlist" 0.04 1.22 0.04 1.22
"lengths" 0.02 0.61 0.02 0.61
$sample.interval
[1] 0.02
$sampling.time
[1] 3.28
6 Ejercicios
6.1 Áreas de figuras geométricas
Escribe una función que calcule el área de un círculo, un triángulo o un cuadrado. La función empleará, a su vez, una función diferente definida para cada caso.
6.2 Conversión de temperaturas
Escribe una función para realizar la conversión de temperaturas. La función trabajará a partir de un valor (número real) y una letra. La letra indica la escala en la que se introduce esa temperatura. Si la letra es ’C’, la temperatura se convertirá de grados centígrados a Fahrenheit. Si la letra es ’F’ la temperatura se convertirá de grados Fahrenheit a grados Centígrados.
Se usarán 2 funciones auxiliares, cent2fahr y fahr2cent para convertir de una escala a otra. Estas funciones aceptan un parámetro (la temperatura en una escala) y devuelven el valor en la otra escala.
Nota: La relación entre ambas escalas es \(T_F = 9/5 \cdot T_C + 32\)
6.3 Tablas de multiplicar
Construye un programa que muestre por pantalla las tablas de multiplicar del 1 al 10, a partir de dos funciones específicas. La primera función debe devolver el producto de dos valores numéricos enteros dados como parámetros. La segunda función debe mostrar por pantalla la tabla de multiplicar de un número dado como parámetro.
6.4 Números combinatorios
Escribe una función que calcule y muestre en pantalla el número combinatorio a partir de los valores n y k.
\[ nk = \frac{n!}{(n - k)! \cdot k!} \]
Esta función debe estar construida en base a dos funciones auxiliares, una para calcular el factorial de un número, y otra para calcular el número combinatorio.
6.5 Fibonacci
Escribe una función recursiva que genere los n primeros términos de la serie de Fibonacci. Esta función aceptará el número entero n como argumento. Este valor debe ser positivo, de forma que si el usuario introduce un valor negativo la función devolverá un error.
Nota: En la serie de Fibonacci los dos primeros números son 1, y el resto se obtiene sumando los dos anteriores: \(1, 1, 2, 3, 5, 8, 13, 21, \ldots\)
6.6 Serie de Taylor
Escribe un conjunto de funciones para calcular la aproximación de \(e ^ {-x}\) mediante el desarrollo de Taylor:
\[ e^{-x} = 1 + \sum_{i = 1}^\infty \frac{(-x)^n}{n!} \]
La función principal acepta como argumentos el valor del número real x y el número de términos deseados. Se basará en otras tres funciones:
factorialcalcula el factorial de un número enteron.potenciacalcula la potenciande un número realx.exponencialcalcula la aproximación anterior de un número realxusandontérminos de la serie de Taylor.