Изменения

С помощью <code>apply</code>-функций можно последовательно применить функцию к вектору, списку или массиву. Прежде чем всего нам необходимо сформировать таблицу данных. С помощью функции <code>replicate()</code> сгенерируем 10 переменных, имеющих стандартное нормальное распределение, которые объединяются в класс <code>data.frame</code>.

> DF <- data.frame(replicate(n = 10, rnorm(n = 100)))

}}

Структура сгенерированной таблицы выглядит следующим образом:

> str(DF)

'data.frame': 100 obs. of 10 variables:

$ X9 : num -0.8508 0.4481 -0.2828 -0.5464 0.0605 ...

$ X10: num 1.421 0.408 1.254 -0.956 -1.91 ...

}}

Для решения поставленной задачи можно воспользоваться функцией <code>sapply()</code>. Но прежде, нам необходимо немного отформатировать формат вывода результатов нашей функции: нам нужно извлечь значения критерия и его уровень значимости, т.к. результат функции <code>shapiro.test()</code> содержит также информацию, которая не подлежит включению в таблицу.

> shapiro.test(x)

data: x

W = 0.9903, p-value = 0.6882

}}

Структура результата применения функции <code>shapiro.test()</code> представлена ниже:

> str(shapiro.test(x))

List of 4

$ data.name: chr "x"

- attr(*, "class")= chr "htest"

}}

Как видим, помимо значений критерия и уровня значимости здесь содержится информация о применяемом методе. Мы можем отфильтровать вывод следующим образом:

> normTest <- function (x) {

+ res <- shapiro.test(x)

+ return(c(res$statistic, p.value = res$p.value))

+ }

}}

Результат теперь будет выглядеть следующим образом:

> normTest(x)

W p.value

0.9903 0.6882

}}

Теперь можно использовать данную функцию при обработке столбцов нашей таблицы.

> t(sapply(DF, normTest))

W p.value

X9 0.9915 0.7834

X10 0.9808 0.1531

}}

Того же результата можно добиться и с помощью функции <code>lapply()</code><ref>По результатам сравнения производительности, данный вариант оказался чуть быстрее предыдущего.</ref>:

> do.call(rbind, lapply(DF, normTest))

W p.value

X9 0.9915 0.7834

X10 0.9808 0.1531

}}