Question

我从实验中得到以下data.frame d：

- Variable y (response, continuous)
- Factor f (500 levels)
- Time t (posixct)

在过去8年中，对于每个级别的f，y大约每月测量一次（t的确切日期）。有时每月有两项措施，有时几个月没有采取任何措施。

很抱歉没有提供示例数据，但编制不规则的时间序列超出了我的R知识。 ;）

我想对这些数据进行以下操作：

使用loess()函数(y ~ t)对f
预测y每月的第一天以及f的每个级别

我认为第一点是通过使用Hadleys回答this问题来解决的：

models <- dlply(d, "f", function(df) loess(y ~ as.numeric(t), data = df))

所以，现在我有一个models（类list），每个级别f都有一个模型。我还为y的每个级别创建了我想预测f的时间：

dates <- seq(min(t),max(t),"months")

但现在我仍然坚持如何为每个模型做出预测。这样的东西应该工作（伪代码）：

for each f in models
    p.f <- predict(models(f),dates)
    p.f.complete <- r.bind(p.f.comlete,p.f)
next f

结果，我想要这个data.frame：

y.predicted
˚F
t.predicted（= dates）

非常感谢任何帮助。

Answer 1

被修改

关键是使用ldply（）和predict（）。以下是使用虚拟数据的示例：

library(plyr)
d <- data.frame(
        f = rep(LETTERS[1:5], each=20),
        t = rep(1:20, 5),
        y = runif(100))

models <- dlply(d, "f", function(df) loess(y ~ as.numeric(t), data = df))
predict(models[[1]])

x <- ldply(models, predict)
colnames(x) <- c("f", 1:20)
x

Answer 2

最复杂的事情是将函数设为predict并使用lapply。这不是很难做到的。

dates <- data.frame(t = dates)
y.predicted <- lapply(models, function (x) predict(x, newdata = dates))

如果你想rbind y.predicted只需使用

y.predicted <- do.call(rbind, y.predicted)

HTH

对R中的组进行回归和预测

2 个答案: