цикл по именам переменных - PullRequest
Новая
       17

цикл по именам переменных

0 голосов
/ 07 марта 2019

Я пытаюсь построить различные регрессионные модели с разными столбцами (независимые переменные в моем наборе данных). 

set.seed(0)
True = rnorm(20, 100, 10)
v = matrix(rnorm(120, 10, 3), nrow = 20)
dt = data.frame(cbind(True, v))
colnames(dt) = c('True', paste0('ABC', 1:6))

Таким образом, независимые переменные, которые я хочу добавить в данные, это "ABCi", иначе, когда я= 1, используйте ABC1 и т. Д. Каждая модель использует первые 80% наблюдений для построения, затем я делаю прогноз на остальные 20%.

Я пробовал это: 

reg.pred = rep(0, ncol(dt))
for (i in 1:nrow(dt)){
  reg = lm(True~paste0('ABC', i), data = dt[(1:(0.8*nrow(dt))),])
  reg.pred[i] = predict(reg, data = dt[(0.8*nrow(dt)):nrow(dt),])
}

Не работает ... выдаёт ошибки вроде: 

Error in model.frame.default(formula = True ~ paste0("ABC", i), data = dt[(1:(0.8 *  : 
  variable lengths differ (found for 'paste0("ABC", i)')

Не уверен, как я могу получить имя переменной в цикле... Любое предложение приветствуется!

Ответы [ 2 ]

1 голос
/ 07 марта 2019

Технически вам не нужно использовать as.formula(), как подсказывает @Sonny, но вы не можете смешивать символьное представление формулы и обозначения формулы. Итак, вы должны это исправить. Однако, как только вы это сделаете, вы заметите, что есть другие проблемы с вашим кодом, которые @Sonny либо не заметил, либо решил не обращать на них внимания.

В частности, линия 

reg.pred = rep(0, ncol(dt))

подразумевает, что вы хотите одно предсказание для каждой модели, но 

predict(reg, data = dt[(0.8*nrow(dt)):nrow(dt),])

подразумевает, что вы хотите получить прогноз для каждого из наблюдений, отсутствующих в тренировочном наборе (кстати, для этого вам понадобится +1 после 0.8*nrow(dt)).

Я думаю, что следующие проблемы должны решить все ваши проблемы: 

set.seed(0)
True = rnorm(20, 100, 10)
v = matrix(rnorm(120, 10, 3), nrow = 20)
dt = data.frame(cbind(True, v))
colnames(dt) = c('True', paste0('ABC', 1:6))
# Make a matrix for the predicted values; each column is for a model
reg.pred = matrix(0, nrow = 0.2*nrow(dt), ncol = ncol(dt)-1)
for (i in 1:(ncol(dt)-1)){
    # Get the name of the predictor we want here
    this_predictor <- paste0("ABC", i)
    # Make a character representation of the lm formula
    lm_formula <- paste("True", this_predictor, sep = "~")
    # Run the model
    reg = lm(lm_formula, data = dt[(1:(0.8*nrow(dt))),])
    # Get the appropriate test data
    newdata <- data.frame(dt[(0.8*nrow(dt)+1):nrow(dt), this_predictor])
    names(newdata) <- this_predictor
    # Store predictions
    reg.pred[ , i] = predict(reg, newdata = newdata)
}

reg.pred

#          [,1]     [,2]     [,3]      [,4]      [,5]     [,6]
# [1,] 100.2150 100.8394 100.7915  99.88836  97.89952 105.7201
# [2,] 101.2107 100.8937 100.9110 103.52487 102.13965 104.6283
# [3,] 100.0426 101.0345 101.2740 100.95785 102.60346 104.2823
# [4,] 101.1055 100.9686 101.5142 102.56364 101.56400 104.4447

В этой матрице прогнозов каждый столбец относится к разной модели, и строки соответствуют четырем последним строкам ваших данных (строкам, не входящим в ваш тренировочный набор).

1 голос
/ 07 марта 2019

Вы можете использовать as.formula 

  f <- as.formula(
    paste("True", 
          paste0('ABC', i), 
          sep = " ~ "))

  reg = lm(f, data = dt[(1:(0.8*nrow(dt))),])
...