Question

我试图编写一个遍历因子每个级别的函数（或使用purrr::map()），并为因子等于该因子的数据子集拟合一个lm()模型级别。

要使用mtcars做一个简单的可重现示例，只需说我想为每个lm的值使用不同的mtcars$gear模型。我首先将其作为一个因素，因为我的真正问题涉及通过一个因素进行迭代：

library(tidyverse)

mtcars <- mtcars %>% 
  mutate(factor_gear = factor(gear))

我希望该函数适合factor_gear的每个级别。级别通过以下方式给出：

levels(mtcars$factor_gear)

即

  [1] "3" "4" "5"

所以我要寻找的输出将是：

fit1 <- lm(mpg ~ cyl, data = mtcars %>% filter(factor_gear=="3"))
fit2 <- lm(mpg ~ cyl, data = mtcars %>% filter(factor_gear=="4"))
fit3 <- lm(mpg ~ cyl, data = mtcars %>% filter(factor_gear=="5"))

fits <- list(fit1, fit2, fit3)

我已经开始使用该功能，但无法使其正常工作。

我认为函数应该：

将因子的每个水平放入向量中
为每个级别运行一个lm模型。

fit_each_level <- function(factor_variable) {

  # trying to: 1. get every level of of the factor into a vector
  factor_levels <- levels(df_cars$factor_variable)

  # trying to: 2. run an lm model for each level.
  for i in factor_levels {
    fit <- mtcars %>% filter(factor_variable==i [# every value of segment_levels]) %>% 
    lm(mpg ~ cyl, data = . )
  }

}

fit_each_level(factor_gear)

如果该功能运行良好，我最终将能够在另一个因素上做到这一点，例如：

mtcars <- mtcars %>% 
  mutate(factor_carb = factor(carb))

fit_each_level(factor_carb)

Answer 1

您可以nest数据框，并使用map为每个lm应用factor_gear。

library(dplyr)

mtcars %>%
  group_by(factor_gear) %>%
  tidyr::nest() %>%
  mutate(model = map(data, ~lm(mpg ~ cyl, data = .x)))

#  factor_gear data               model 
#  <fct>       <list>             <list>
#1 4           <tibble [12 × 11]> <lm>  
#2 3           <tibble [15 × 11]> <lm>  
#3 5           <tibble [5 × 11]>  <lm>

在新的dplyr中，您可以使用cur_data来引用组中的当前数据，从而无需使用nest和map。

mtcars %>%
  group_by(factor_gear) %>%
  summarise(model = list(lm(mpg ~ cyl, data = cur_data())))

Answer 2

确保您具有最新版本的dplyr（1.0.0）。然后您可以使用：

model_coefs <- function(formula, data) {
  coefs <- lm(formula, data)$coefficients
  data.frame(coef = names(coefs), value = coefs)
}

mtcars %>%
  dplyr::mutate(factor_gear = factor(gear)) %>%
  dplyr::nest_by(factor_gear) %>%
  dplyr::summarise(model_coefs(mpg ~ cyl, data)) %>% 
  tidyr::pivot_wider(names_from = coef, values_from = value)

# A tibble: 3 x 3
# Groups:   factor_gear [3]
  factor_gear `(Intercept)`   cyl
  <fct>               <dbl> <dbl>
1 3                    29.8 -1.83
2 4                    41.3 -3.59
3 5                    40.6 -3.2

为每个因子水平拟合一个“ lm”模型

2 个答案: