r - 线性模型和 dplyr - 更好的解决方案？

Question

我在 question I recently asked 上得到了很多很好的反馈并被指导使用dplyr来转换一些数据。我遇到了 lm() 问题，并试图从这个转换后的数据中找到一个斜率，并认为我会提出一个新问题。

首先，我有如下所示的数据:

Var1    Var2    Var3    Time           Temp
a       w       j       9/9/2014       20
a       w       j       9/9/2014       15
a       w       k       9/20/2014       10
a       w       j       9/10/2014       0
b       x       L       9/12/2014       30
b       x       L       9/12/2014       10
b       y       k       9/13/2014       20
b       y       k       9/13/2014       15
c       z       j       9/14/2014       20
c       z       j       9/14/2014       10
c       z       k       9/14/2014       11
c       w       l       9/10/2014       45
a       d       j       9/22/2014       20
a       d       k       9/15/2014       4
a       d       l       9/15/2014       23
a       d       k       9/15/2014       11

我想要它的形式(Slope 和 Pearson 的值模拟用于说明):

V1  V2  V3  Slope   Pearson
a   w   j   -3      -0.9
a   w   k   2       0
a   d   j   1.5     0.6
a   d   k   0       0.5
a   d   l   -0.5    -0.6
b   x   L   12      0.7
b   y   k   4       0.6
c   z   j   -1      -0.5
c   z   k   -3      -0.4
c   w   l   -10     -0.9

斜率是线性最小二乘斜率。理论上，脚本看起来像这样:

library(dplyr)

data <- read.table("clipboard",sep="\t",quote="",header=T)

newdata = summarise(group_by(data
                              ,Var1
                              ,Var2
                              ,Var3                            
                              )
                     ,Slope = lm(Temp ~ Time)$coeff[2]                 
                     ,Pearson = cor(Time, Temp, method="pearson")
                     )

但是 R 会抛出一个错误，比如它找不到时间或温度。它可以运行 lm(data$Temp ~ data$Time)$coeff[2] ，但返回整个数据集的斜率，而不是我正在寻找的子集形式。 cor()似乎在 group_by 中运行得很好部分，所以我需要传递给 lm() 的特定语法吗？让它以类似的方式运行还是完全使用不同的函数来获得从子集传递的斜率？

Answer 1

你在这里有几个问题。

如果按 3 个变量(甚至 2 个)对数据进行分组，则没有足够的不同值来运行线性回归模型

Pearson 需要两个数值，而 Time是转换为数字没有多大意义的因素

这里的第三个问题是您需要使用 do为了运行您的线性模型

这是仅在 V1 上进行分组的说明

data %>%
  group_by(Var1) %>% # You can add here additional grouping variables if your real data set enables it
  do(mod = lm(Temp ~ Time, data = .)) %>%
  mutate(Slope = summary(mod)$coeff[2]) %>%
  select(-mod)
# Source: local data frame [3 x 2]
# Groups: <by row>
#   
#   Var1     Slope
# 1    a  12.66667
# 2    b  -2.50000
# 3    c -31.33333 

如果你有两个数值变量，你可以使用 do例如，为了计算相关性(我将创建一些虚拟数字变量用于说明)

data %>%
  mutate(test1 = sample(1:3, n(), replace = TRUE), # Creating some numeric variables
         test2 = sample(1:3, n(), replace = TRUE)) %>%
  group_by(Var1) %>%
  do(mod = lm(Temp ~ Time, data = .),
     mod2 = cor(.$test1, .$test2, method = "pearson")) %>%
  mutate(Slope = summary(mod)$coeff[2],
         Pearson = mod2[1]) %>%
  select(-mod, -mod2)


# Source: local data frame [3 x 3]
# Groups: <by row>
#   
#   Var1     Slope     Pearson
# 1    a  12.66667  0.25264558
# 2    b  -2.50000 -0.09090909
# 3    c -31.33333  0.30151134

奖励解决方案:您可以使用 data.table 非常高效/轻松地完成此操作也包

library(data.table)
setDT(data)[, list(Slope = summary(lm(Temp ~ Time))$coeff[2]), Var1]
#    Var1     Slope
# 1:    a  12.66667
# 2:    b  -2.50000
# 3:    c -31.33333

或者如果我们也想创建一些虚拟变量

library(data.table)
setDT(data)[, `:=`(test1 = sample(1:3, .N, replace = TRUE), 
                   test2 = sample(1:3, .N, replace = TRUE))][, 
                   list(Slope = summary(lm(Temp ~ Time))$coeff[2],
                        Pearson = cor(test1, test2, method = "pearson")), Var1]
#    Var1     Slope     Pearson
# 1:    a  12.66667 -0.02159168
# 2:    b  -2.50000 -0.81649658
# 3:    c -31.33333 -1.00000000