- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
考虑以下数据/示例。每个数据集包含多个样本,具有一个观察值和一个估计值:
library(tidyverse)
library(broom)
data = read.table(text = '
dataset sample_id observation estimate
A A1 4.8 4.7
A A2 4.3 4.5
A A3 3.1 2.9
A A4 2.1 2
A A5 1.1 1
B B1 4.5 4.3
B B2 3.9 4.1
B B3 2.9 3
B B4 1.8 2
B B5 1 1.2
', header = TRUE)
data %>%
group_by(dataset) %>%
do(lm(observation ~ estimate, data = .) %>% augment)
sample_id
列,我需要保留该列,以便根据该唯一 ID 继续使用此数据集进行计算:
# A tibble: 10 x 10
# Groups: dataset [2]
dataset observation estimate .fitted .se.fit .resid .hat .sigma .cooksd .std.resid
<fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 A 4.80 4.70 4.68 0.107 0.115 0.478 0.152 0.491 1.04
2 A 4.30 4.50 4.49 0.0996 -0.193 0.416 0.0609 0.957 -1.64
3 A 3.10 2.90 2.97 0.0693 0.135 0.201 0.156 0.120 0.976
4 A 2.10 2.00 2.11 0.0849 -0.00583 0.303 0.189 0.000444 -0.0452
5 A 1.10 1.00 1.15 0.120 -0.0508 0.602 0.180 0.206 -0.521
6 B 4.50 4.30 4.31 0.109 0.191 0.468 0.0597 1.20 1.65
7 B 3.90 4.10 4.09 0.100 -0.193 0.396 0.0844 0.798 -1.56
8 B 2.90 3.00 2.91 0.0713 -0.00630 0.201 0.195 0.000247 -0.0443
9 B 1.80 2.00 1.83 0.0898 -0.0275 0.319 0.193 0.0103 -0.210
10 B 1.00 1.20 0.964 0.125 0.0355 0.616 0.191 0.104 0.360
nest
之前折叠数据,但我仍然只能使用这种方法获取模型参数。我想我可以提取每个数据集的参数:
data %>%
group_by(dataset) %>%
nest() %>%
mutate(
mod = map(data, linear_adj_model),
pars = map(mod, tidy)
) %>%
unnest(pars) %>%
select(dataset, term, estimate) %>%
spread(term, estimate)
# A tibble: 2 x 3
dataset `(Intercept)` estimate
* <fct> <dbl> <dbl>
1 A 0.196 0.955
2 B -0.330 1.08
mutate
每个
estimate
得到线性调整的,但这似乎太复杂了。
data %>%
group_by(dataset) %>%
do(lm(observation ~ estimate + 0 * sample_id, data = .) %>% augment)
最佳答案
您可以使用 broom::augment_columns
而不是 augment
.我们需要的函数的两个参数是x
-- “一个模型” -- 和 data
--“应该添加列的原始数据”。
library(tidyverse)
library(broom)
split(data, data$dataset) %>%
map(., ~lm(formula = observation ~ estimate, data = .)) %>%
map2(.x = ., .y = split(data, f = data$dataset), .f = ~augment_columns(x = .x, data = .y)) %>%
bind_rows() %>%
select(-.rownames)
# dataset sample_id observation estimate .fitted .se.fit .resid .hat .sigma .cooksd .std.resid
#1 A A1 4.8 4.7 4.6845093 0.10675590 0.115490737 0.4781238 0.15157780 0.4911635931 1.03547990
#2 A A2 4.3 4.5 4.4934963 0.09956065 -0.193496255 0.4158455 0.06089193 0.9570799385 -1.63978525
#3 A A3 3.1 2.9 2.9653922 0.06929022 0.134607804 0.2014190 0.15623754 0.1200409795 0.97563873
#4 A A4 2.1 2.0 2.1058337 0.08491818 -0.005833662 0.3025227 0.18902495 0.0004439221 -0.04524332
#5 A A5 1.1 1.0 1.1507686 0.11979870 -0.050768624 0.6020891 0.18032220 0.2055920869 -0.52129162
#6 B B1 4.5 4.3 4.3087226 0.10879087 0.191277434 0.4679235 0.05965705 1.1954021471 1.64881395
#7 B B2 3.9 4.1 4.0929657 0.10006757 -0.192965672 0.3958920 0.08438937 0.7984863377 -1.56105324
#8 B B3 2.9 3.0 2.9063028 0.07128455 -0.006302757 0.2009004 0.19471901 0.0002470587 -0.04433279
#9 B B4 1.8 2.0 1.8275183 0.08983650 -0.027518289 0.3190771 0.19335019 0.0103015495 -0.20968503
#10 B B5 1.0 1.2 0.9644907 0.12484420 0.035509285 0.6162071 0.19051943 0.1042741368 0.36040302
split
按数据集的数据,将模型拟合到列表的每个组件,然后使用
map2
迭代用于模型构建的模型和(完整)数据,即
split(data, f = data$dataset)
的结果在平行下。
augment_columns
添加
.rownames
列,因此
select
在最后一行。
data_split <- split(data, data$dataset)
models <- map(data_split, ~lm(formula = observation ~ estimate, data = .))
map2(.x = models, .y = data_split, .f = ~augment_columns(x = .x, data = .y)) %>%
bind_rows() %>%
select(-.rownames)
df
,
split_var
,
dependend_var
, 和
explanatory_var
.
augment_df <- function(df, split_var, dependend_var, explanatory_var) {
require(tidyverse)
require(broom)
split(df, df[split_var]) %>%
map(., ~lm(formula = as.formula(paste0(dependend_var, " ~ ", explanatory_var)), data = .)) %>%
map2(.x = ., .y = split(df, df[split_var]), .f = ~augment_columns(x = .x, data = .y)) %>%
bind_rows() %>%
select(-.rownames)
}
augment_df(df = data, split_var = "dataset", dependend_var = "observation", explanatory_var = "estimate")
关于r - 在不丢失 dplyr/broom 中的额外列的情况下创建模型和扩充数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48626980/
我有以下数据框: library(dplyr) df % rename_all(funs(stringr::str_replace_all(., "gh", "v"))) 我想结合使用 renam
我有以下数据框: library(dplyr) df % rename_all(funs(stringr::str_replace_all(., "gh", "v"))) 我想结合使用 renam
我有一个数据( df_1 ): df_1 % select_at(.vars = 'var_1') var_1 1 99.47262 10 25.91552 没关系。但: df_1
我正在尝试安装dplyr软件包,但收到一条错误消息,提示“库(dplyr)中存在错误:没有名为dplyr的软件包”。我正在使用窗口系统和Ri386 3.5.2。我尝试按照其他人的建议使用代码insta
假设我想以并行方式申请 myfunction到 myDataFrame 的每一行.假设 otherDataFrame是一个包含两列的数据框:COLUNM1_odf和 COLUMN2_odf出于某些原因
我目前正在构建一个包,我想知道是否有办法调用 %>%来自 dplyr 的操作符,而无需实际附加 dplyr 包。例如,对于从包中导出的任何函数,您可以使用双冒号 ( :: ) 调用它。所以如果我想使用
library(dplyr) mtcars %>% group_by(vs) %>% do(tt=t.test(mpg~am, data=.)) %>% mutate(t=tt$statist
我正在尝试为一组标准曲线构建一系列线性模型。 目前这段代码正在产生我想要的输出(每个线性模型的截距和斜率): slopes % group_by(plate, col, row, conc_ug_mL
我正在寻找替换我的一些使用 dplyr::do 的 R 代码,因为这个函数很快就会被弃用。我的很多工作都需要创建分层 CDF 图。使用 dply:do 时,我分层的变量作为变量传递给结果数据框,然后我
问题 我正在尝试使用 dplyr::mutate()和 dplyr::case_when()在数据框中创建新的数据列,该列使用存储在另一个对象(“查找列表”)中的数据填充,并基于数据框中列中的信息。
最近我发现了很棒的 dplyr.spark.hive启用 dplyr 的软件包前端操作 spark或 hive后端。 在包的 README 中有关于如何安装此包的信息: options(repos =
我正在尝试在 dplyr 链中使用 data.frame 两次。这是一个给出错误的简单示例 df % group_by(Type) %>% summarize(X=n()) %>% mu
当我浏览答案时 here , 我找到了 this solution与 data.frame 完全符合预期. library(dplyr) # dplyr_0.4.3 library(data.tab
我的数据来自一个数据库,根据我运行 SQL 查询的时间,该数据库可能包含一周到另一周不同的 POS 值。 不知道哪些值将在变量中使得自动创建报告变得非常困难。 我的数据如下所示: sample % p
我想定义与“扫帚”包中类似的功能 library(dplyr) library(broom) mtcars %>% group_by(am) %>% do(model = lm(mpg ~ w
set.seed(123) df % group_by(id) %>% mutate(roll.sum = c(x[1:4], zoo::rollapply(x, 5, sum))) # Groups
先来个样本数据 set.seed(123) dat 1 -4 2 6 3 -2 4
我有一个带列的数据框 x1, x2, group我想生成一个带有额外列的新数据框 rank表示x1的顺序在其组中。 有相关问题here ,但已接受的答案似乎不再有效。 到这里为止,很好: librar
我有一个示例 df,如下所示: d% group_by(CaseNo) %>% arrange(desc(Submissiondate)) %>% dplyr::mutate(rank = row_n
我有一个数据框,其中包含一些数据输入错误。 我希望将每组的这些异常值替换为每组最常见的值。 我的数据如下: df % group_by(CODE) %>% mutate(across(c(DOSAGE
我是一名优秀的程序员,十分优秀!