Как преобразовать список результатов регрессии в фреймы данных с помощью broom :: tidy с помощью функции lapply? - PullRequest
Новая
       33

Как преобразовать список результатов регрессии в фреймы данных с помощью broom :: tidy с помощью функции lapply?

2 голосов
/ 16 мая 2019

У меня есть список с несколькими фреймами данных. Каждый фрейм данных содержит три столбца (ColumnOne, ColumnTwo и ColumnThree). 

list <- list(df1, df2, df3)

Я использую lapply для запуска регрессии в каждом фрейме данных. 

regression <- lapply(list, function (x) 
  lm(x$ColumnOne ~ x$ColumnTwo + x$ColumnThree))

Когда я отображаю вывод регрессии, все кажется правильным.

Теперь я хочу использовать broom :: tidy для сбора результатов регрессии для каждого фрейма данных в таблице. 

library(broom)
df <- lapply(regression, function(x)
  tidy(regression$x))
df

Однако, когда я отображаю df, он показывает только пустые (0x0) кадры данных.

Буду признателен за любую помощь!

Ответы [ 2 ]

0 голосов
/ 19 июня 2019

Я бы рекомендовал использовать пакет метлы немного по-другому для подобных приложений.Вот как это делается: 

require(broom)

# simulate data
make_df <- function(){data.frame(ColumnOne = rnorm(5), 
                                 ColumnTwo=rnorm(5),
                                 ColumnThree=rnorm(5)
                                 )
                     }

my_list <- list(df1 = make_df(), 
                df2 = make_df(),
                df3=make_df()
                )

# bind the rows of the dataframe together and group by origin
my_list %>% 
     bind_rows(.id='df') %>% 
     group_by(df) %>% 
     do(tidy(lm(data=., 
                formula=ColumnOne ~ ColumnTwo + ColumnThree
                )
             )
        )

Результатом полученных мной случайных игрушечных данных является кадр данных, который выглядит следующим образом: 

 A tibble: 9 x 6
# Groups:   df [3]
  df    term        estimate std.error statistic p.value
  <chr> <chr>          <dbl>     <dbl>     <dbl>   <dbl>
1 df1   (Intercept)  -1.23      0.840     -1.47  0.280  
2 df1   ColumnTwo     0.944     0.573      1.65  0.241  
3 df1   ColumnThree  -0.532     0.486     -1.09  0.388  
4 df2   (Intercept)   0.942     0.718      1.31  0.320  
5 df2   ColumnTwo     0.900     1.02       0.885 0.470  
6 df2   ColumnThree  -0.0596    0.443     -0.135 0.905  
7 df3   (Intercept)   0.0453    0.0742     0.610 0.604  
8 df3   ColumnTwo     0.554     0.0509    10.9   0.00833
9 df3   ColumnThree  -0.229     0.114     -2.00  0.183

Стратегия проектирования Брума состоит в том, чтобы максимально использовать кадры данных.Если вы начинаете со списка фреймов данных, имеющих одинаковые столбцы, проще объединить их в один фрейм данных, и после этого метла позволяет работать с ним напрямую, вместо того, чтобы выполнять функциональное программирование в списках.

0 голосов
/ 18 мая 2019

Это очень компактно с purrr.

Сначала смоделируйте некоторые данные: 

library(tidyverse)
library(broom)

df_list = map(1:3, ~ data.frame(matrix(sample.int(10, 30, replace = TRUE), ncol = 3)))

Затем просто подберите свои модели и сметите результаты: 

> df_list %>% map( ~ tidy(lm(.)))
[[1]]
# A tibble: 3 x 5
  term        estimate std.error statistic p.value
  <chr>          <dbl>     <dbl>     <dbl>   <dbl>
1 (Intercept)   7.40       3.08     2.40    0.0474
2 X2            0.0309     0.341    0.0905  0.930
3 X3           -0.0387     0.358   -0.108   0.917

[[2]]
# A tibble: 3 x 5
  term        estimate std.error statistic p.value
  <chr>          <dbl>     <dbl>     <dbl>   <dbl>
1 (Intercept)   4.63       1.51      3.07   0.0181
2 X2            0.252      0.272     0.923  0.387
3 X3            0.0340     0.261     0.130  0.900

[[3]]
# A tibble: 3 x 5
  term        estimate std.error statistic p.value
  <chr>          <dbl>     <dbl>     <dbl>   <dbl>
1 (Intercept)   6.62       5.68      1.17    0.282
2 X2            0.0946     0.630     0.150   0.885
3 X3           -0.405      0.419    -0.967   0.366
...