Nano Hash - криптовалюты, майнинг, программирование

Разбить матрицу на столбцы и сохранить в переменных

У меня есть матрица из n строк и d столбцов. Например,

n = 100; d = 3
mat = matrix(rnorm(n * d) ncol = d)

Мне нужно взять столбцы матрицы и присвоить их переменным x1, x2,..., xd. Количество столбцов не будет фиксированным.

Я попытался разбить матрицу и присвоить ее оператору mapply, но присваивания не происходит:

nam = paste0("x", 1:d)
column_vectors = split(x, rep(1:ncol(x), each = nrow(x)))
mapply(FUN = assign, nam, column_vectors)

Я мог бы сделать это грубой силой, но должен быть более простой и чистый способ.

nam = paste0("x", 1:d)
column_vectors = split(x, rep(1:ncol(x), each = nrow(x)))
for(i in seq_along(column_vectors)){

  assign(nam[i], column_vectors[[i]]) 
}
r matrix data-manipulation
11.01.2019

Ответы:


1

Вы можете попробовать этот подход:

matList <- unlist(apply(mat, 2, list),  recursive = FALSE)
names(matList) <- paste0("x", 1:d)
list2env(matList, envir = globalenv())
11.01.2019
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..