r语言 - 创建模型和扩充数据，而不会丢失 dplyr/broom 中的其他列

Question

考虑以下数据/示例。每个数据集包含多个样本，其中包含一个观测值和一个估计值：

library(tidyverse)
library(broom)
data = read.table(text = '
dataset sample_id   observation estimate
A   A1  4.8 4.7
A   A2  4.3 4.5
A   A3  3.1 2.9
A   A4  2.1 2
A   A5  1.1 1
B   B1  4.5 4.3
B   B2  3.9 4.1
B   B3  2.9 3
B   B4  1.8 2
B   B5  1   1.2
', header = TRUE)

我想计算每个数据集的线性模型，以消除观测值和估计值之间的任何线性偏差，并在原始值旁边获得拟合值：

data %>%
group_by(dataset) %>% 
do(lm(observation ~ estimate, data = .) %>% augment)

但是，这样做是删除sample_id列，我需要保留该列，以便根据该唯一 ID 继续使用此数据集进行计算：

# A tibble: 10 x 10
# Groups:   dataset [2]
dataset observation estimate .fitted .se.fit   .resid  .hat .sigma  .cooksd .std.resid
<fct>         <dbl>    <dbl>   <dbl>   <dbl>    <dbl> <dbl>  <dbl>    <dbl>      <dbl>
1 A              4.80     4.70   4.68   0.107   0.115   0.478 0.152  0.491        1.04  
2 A              4.30     4.50   4.49   0.0996 -0.193   0.416 0.0609 0.957       -1.64  
3 A              3.10     2.90   2.97   0.0693  0.135   0.201 0.156  0.120        0.976 
4 A              2.10     2.00   2.11   0.0849 -0.00583 0.303 0.189  0.000444    -0.0452
5 A              1.10     1.00   1.15   0.120  -0.0508  0.602 0.180  0.206       -0.521 
6 B              4.50     4.30   4.31   0.109   0.191   0.468 0.0597 1.20         1.65  
7 B              3.90     4.10   4.09   0.100  -0.193   0.396 0.0844 0.798       -1.56  
8 B              2.90     3.00   2.91   0.0713 -0.00630 0.201 0.195  0.000247    -0.0443
9 B              1.80     2.00   1.83   0.0898 -0.0275  0.319 0.193  0.0103      -0.210 
10 B              1.00     1.20   0.964  0.125   0.0355  0.616 0.191  0.104        0.360

如何保留原始数据集中的附加列？

我之前见过这个使用nest来折叠数据的答案，但我仍然只使用这种方法获取模型参数。我想我可以提取每个数据集的参数：

data %>%
group_by(dataset) %>% 
nest() %>% 
mutate(
mod = map(data, linear_adj_model),
pars = map(mod, tidy)
) %>%
unnest(pars) %>%
select(dataset, term, estimate) %>%
spread(term, estimate)

。这给了我这个：

# A tibble: 2 x 3
dataset `(Intercept)` estimate
* <fct>           <dbl>    <dbl>
1 A               0.196    0.955
2 B              -0.330    1.08

。然后将其与原始数据左连接，然后mutate每个estimate以获得线性调整的数据，但这似乎太复杂了。

我发现的另一个丑陋的技巧是将列作为虚拟变量添加到模型中：

data %>%
group_by(dataset) %>% 
do(lm(observation ~ estimate + 0 * sample_id, data = .) %>% augment)

有没有更简单(整洁)的解决方案，不涉及手动指定我要保留的变量？

Answer 1

您可以使用broom::augment_columns而不是augment。我们需要的函数的两个参数是x- "模型" - 和data- "应该添加列的原始数据"。

library(tidyverse)
library(broom)
split(data, data$dataset) %>% 
map(., ~lm(formula = observation ~ estimate, data = .)) %>% 
map2(.x = ., .y = split(data, f = data$dataset), .f = ~augment_columns(x = .x, data = .y)) %>% 
bind_rows() %>% 
select(-.rownames)
#   dataset sample_id observation estimate   .fitted    .se.fit       .resid      .hat     .sigma      .cooksd  .std.resid
#1        A        A1         4.8      4.7 4.6845093 0.10675590  0.115490737 0.4781238 0.15157780 0.4911635931  1.03547990
#2        A        A2         4.3      4.5 4.4934963 0.09956065 -0.193496255 0.4158455 0.06089193 0.9570799385 -1.63978525
#3        A        A3         3.1      2.9 2.9653922 0.06929022  0.134607804 0.2014190 0.15623754 0.1200409795  0.97563873
#4        A        A4         2.1      2.0 2.1058337 0.08491818 -0.005833662 0.3025227 0.18902495 0.0004439221 -0.04524332
#5        A        A5         1.1      1.0 1.1507686 0.11979870 -0.050768624 0.6020891 0.18032220 0.2055920869 -0.52129162
#6        B        B1         4.5      4.3 4.3087226 0.10879087  0.191277434 0.4679235 0.05965705 1.1954021471  1.64881395
#7        B        B2         3.9      4.1 4.0929657 0.10006757 -0.192965672 0.3958920 0.08438937 0.7984863377 -1.56105324
#8        B        B3         2.9      3.0 2.9063028 0.07128455 -0.006302757 0.2009004 0.19471901 0.0002470587 -0.04433279
#9        B        B4         1.8      2.0 1.8275183 0.08983650 -0.027518289 0.3190771 0.19335019 0.0103015495 -0.20968503
#10       B        B5         1.0      1.2 0.9644907 0.12484420  0.035509285 0.6162071 0.19051943 0.1042741368  0.36040302

这个想法是按数据集split数据，将模型拟合到列表的每个组件，然后使用map2迭代模型和用于模型构建的(完整)数据，即并行split(data, f = data$dataset)的结果。

augment_columns添加一个.rownames列，因此最后一行中的select。

---

编辑

相同的解决方案，但希望更容易阅读。

data_split <- split(data, data$dataset)
models <- map(data_split, ~lm(formula = observation ~ estimate, data = .))
map2(.x = models, .y = data_split, .f = ~augment_columns(x = .x, data = .y)) %>%
bind_rows() %>% 
select(-.rownames)

---

第一个代码块作为函数，具有四个参数：df、split_var、dependend_var和explanatory_var。

augment_df <- function(df, split_var, dependend_var, explanatory_var) {
require(tidyverse)
require(broom)
split(df, df[split_var]) %>% 
map(., ~lm(formula = as.formula(paste0(dependend_var, " ~ ", explanatory_var)), data = .)) %>% 
map2(.x = ., .y = split(df, df[split_var]), .f = ~augment_columns(x = .x, data = .y)) %>% 
bind_rows() %>% 
select(-.rownames)
}
augment_df(df = data, split_var = "dataset", dependend_var = "observation", explanatory_var = "estimate")

Answer 2

numbered_data <-
data %>%
mutate(row = row_number())
numbered_data %>%
group_by(dataset) %>% 
do(augment(lm(observation ~ estimate + 0*row, data = .))) %>%
left_join(numbered_data %>% select(-observation, -estimate), by=c('dataset', 'row')) %>%
select(-row)

此方法还依赖于在模型中使用虚拟变量，但它以与列无关的方式执行此操作。 通过定义一个新的虚拟列row，您可以将原始数据left_join()回augment()的结果，恢复任意数量的列，而无需手动指定它们。

我发现这比其他解决方案更具可读性，但它仍然有点黑客化。 从left_join中删除重复的列有点乏味。 您可能不希望输出中包含像observation.x和estimate.y这样的列，除非您避开select(-observation, -estimate)部分，否则您将拥有这些列。

Answer 3

这基本上与马库斯的回答相同，但可能更干净一些。

library(tidyverse)
library(broom)
data = read.table(text = '
dataset sample_id   observation estimate
A   A1  4.8 4.7
A   A2  4.3 4.5
A   A3  3.1 2.9
A   A4  2.1 2
A   A5  1.1 1
B   B1  4.5 4.3
B   B2  3.9 4.1
B   B3  2.9 3
B   B4  1.8 2
B   B5  1   1.2
', header = TRUE)

data %>%
group_by(dataset) %>% 
nest() %>% 
mutate(mod = map(data, ~lm(observation ~ estimate, data = .)),
aug = map2(mod, data, ~augment_columns(.x, .y))) %>% 
unnest(aug)

Answer 4

这个怎么样：

DF %>%
group_by(dataset) %>% 
do(cbind(sample_id = .$sample_id, lm(observation ~ estimate, data = .) %>% augment))

还是太丑了？