разбить фрейм данных на подмножества по значениям факторов, отправить в функцию, которая возвращает класс glm, как рекомбинировать? - PullRequest
Новая
       7

разбить фрейм данных на подмножества по значениям факторов, отправить в функцию, которая возвращает класс glm, как рекомбинировать?

2 голосов
/ 04 июня 2010

Благодаря функции ddply пакета plyr пакета Hadley мы можем взять кадр данных, разбить его на подкадры по факторам, отправить каждый в функцию, а затем объединить результаты функции для каждого подкадра в новый кадр данных.

Но что, если функция возвращает объект класса, такого как glm или, в моем случае, c ("glm", "lm"). Тогда они не могут быть объединены в фрейм данных, не так ли? Я получаю эту ошибку вместо 

Error in as.data.frame.default(x[[i]], optional = TRUE, stringsAsFactors = stringsAsFactors) : cannot coerce class 'c("glm", "lm")' into a data.frame

Существует ли какая-то более гибкая структура данных, которая будет учитывать все результаты сложных вызовов класса glm моих вызовов функций, сохраняя информацию о подмножествах фреймов данных?

Или это должно быть сделано совершенно иначе?

1 Ответ

6 голосов
/ 07 июня 2010

Просто чтобы расширить мой комментарий: plyr имеет набор функций для объединения типа ввода и вывода. Поэтому, когда ваша функция возвращает что-то необратимое в data.frame, вы должны использовать list в качестве вывода. Поэтому вместо использования ddply используйте dlply.

Если вы хотите что-то сделать для каждой модели и преобразовать результаты в data.frame, тогда ключом является ldply.

Позволяет создавать некоторые модели, используя dlply

list_of_models <- dlply(warpbreaks, .(tension), function(X) lm(breaks~wool, data=X))
str(list_of_models, 1)
# List of 3
#  $ L:List of 13
#   ..- attr(*, "class")= chr "lm"
#  $ M:List of 13
#   ..- attr(*, "class")= chr "lm"
#  $ H:List of 13
#   ..- attr(*, "class")= chr "lm"
#  - attr(*, "split_type")= chr "data.frame"
#  - attr(*, "split_labels")='data.frame':        3 obs. of  1 variable:

Это дает list из трех lm моделей.

Используя ldply, вы можете создать data.frame, например,

  • с прогнозами для каждой модели: 

    ldply(list_of_models, function(model) {
    data.frame(fit=predict(model, warpbreaks))
})
#     tension     fit
# 1         L 44.5556
# 2         L 44.5556
# 3         L 44.5556

  • со статистикой по каждой модели: 

    ldply(list_of_models, function(model) {
  c(
    aic = extractAIC(model),
    deviance = deviance(model),
    logLik = logLik(model),
    confint = confint(model),
    coef = coef(model)
  )
})
# tension aic1    aic2 deviance   logLik confint1  confint2 confint3 confint4 coef.(Intercept) coef.woolB
# 1       L    2 98.3291  3397.78 -72.7054  34.2580 -30.89623  54.8531 -1.77044          44.5556  -16.33333
# 2       M    2 81.1948  1311.56 -64.1383  17.6022  -4.27003  30.3978 13.82559          24.0000    4.77778
# 3       H    2 76.9457  1035.78 -62.0137  18.8701 -13.81829  30.2411  2.26273          24.5556   -5.77778
...