在时序数据库中，如何简洁实现DataFrame每行除以变量平方和？

嘿，这个问题我太懂了！你现在写的循环确实有点绕，尤其是那个as.numeric %>% t %>% c的操作完全没必要，其实R里有非常简洁的向量化方法，不仅代码更清爽，运行效率也比循环高不少，毕竟R天生就擅长向量运算嘛～

首先，先明确你的需求：把DataFrame的每一行的每个元素，除以该行所有元素的平方和，对吧？那可以用这两种简洁的方法：

方法1：用sweep()函数（最推荐，可读性拉满） #

sweep()就是专门用来按行/列对数据框做批量运算的工具，一行就能搞定：

base_normalized <- sweep(base, 1, rowSums(base^2), `/`)

解释一下：

• base是你的原始数据框
• 1表示按行操作（如果是2就是按列）
• rowSums(base^2)：直接计算每行的平方和，这比你用矩阵乘法的方式简洁太多了
• /表示执行除法操作

方法2：矩阵广播（更紧凑的写法） #

如果你习惯用矩阵操作，也可以把数据框转成矩阵后利用广播特性：

base_mat <- as.matrix(base)
base_normalized <- base_mat / rowSums(base_mat^2)

这里R会自动把rowSums得到的向量广播成和矩阵同维度的列矩阵，完成逐行除法，结果如果需要转回数据框的话，加个as.data.frame(base_normalized)就行。

顺便优化下你原来的循环写法（如果非要用循环的话） #

就算坚持用循环，也不用搞那么复杂的矩阵操作，直接用sum()计算平方和就行：

for(i in 1:nrow(base)){
  base[i,] <- base[i,] / sum(base[i,]^2)
}

毕竟sum(x^2)和t(x) %*% x的结果是完全一样的，但前者明显更直观。

总的来说，优先用向量化的方法，不仅代码短，大数据量下的运行速度会比循环快很多哦～

内容的提问来源于stack exchange，提问作者theBotelho