运行对数据框的多个子集进行 rpart

Question

我正在使用基于 x 个变量和数据框的 R rpart 包创建决策树：

fit<-rpart(y~x1+x2+x3+x4,data=(mydataframe),
  control=rpart.control(minsplit = 20, minbucket = 0, cp=.01))

但是我没有使用整个数据框，而是使用了四到五个数据子集作为因子，假设用 x4 分隔开。我怎样才能运行立即根据所有这些因素做出决策树，而不必一次又一次地调用数据子集？

根据对 SO 的搜索，看起来 BY 或 ddply 可能是正确的选择。这是我为 ddply 尝试过的：

fit<-ddply(mydataframe, dataframe$x4, function (df)  
    rpart(y~x1+x2+x3+x4,data=(df), 
    control=rpart.control(minsplit = 20, minbucket = 0, cp=.01)))

但我要返回的是：

Error in eval(expr, envir, enclos) : object 'x4value' not found

其中 x4value 是我要拆分的变量值之一。所以我有一列值：

x4
桶名1
桶名2
BucketName3
BucketName4

str(mydataframe) 显示 $x4 是一个：因子 w/ 8 级别且没有符号。

此外，我在一开始就运行 mydataframe = na.omit(dataframe) 以避免空值。

我已经解决的可能问题：

Variable name
Object not found referencing an object that doesn't exist（不是这样，因为我的列名存在）
- BucketName1、2、3、4的值不能以数字开头，我修复了。

当我手动运行时，rpart 位运行没问题：

mydataframe<-subset(trainData, x4=="BucketName1")

fit<-rpart(y~x1+x2+x3+x4,data=(mydataframe), 
    control=rpart.control(minsplit = 20, minbucket = 0, cp=.01))

但是每当我尝试使用 ddply 遍历所有子集时都会出错。

完整的可重现示例代码：

mydataframe<-data.frame  ( x1=sample(1:10),
                           x2=sample(1:10),
                           x3=sample(1:10),
                           x4= sample(letters[1:4], 20, replace = TRUE))
str(mydataframe)

fit<-ddply(mydataframe, mydataframe$x4, function (df)
    rpart(y~x1+x2+x3+x4,data=(df), control=rpart.control(minsplit = 20,      minbucket = 0, cp=.01)))

输出：

str(mydataframe) 'data.frame':  20 obs. of  4 variables:  $ x1: int  1 6 8 4 7 9 3 2 10 5 ...  $ x2: int  9 4 5 8 6 3 7 10 2 1 ...  $ x3: int 2 6 5 3 1 4 9 7 10 8 ...  $ x4: Factor w/ 4 levels "a","b","c","d": 4 4 3 2 3 4 3 3 1 3 ...
> fit<-ddply(mydataframe, mydataframe$x4, function (df) rpart(y~x1+x2+x3+x4,data=(df), control=rpart.control(minsplit = 20, minbucket = 0, cp=.01))) Error in eval(expr, envir, enclos) : object 'd' not found

Answer 1

您向 dplyr() .variables= 参数传递的值不正确。您应该传递带引号的变量名、公式或变量名的字符向量。由于您传递的 mydataframe$v4 被强制转换为一个字符，因此它正在查找该列中的所有值，就好像它们是变量一样。

电话应该是这样的

fit<-ddply(mydataframe, ~x4, function (df)
    rpart(y~x1+x2+x3+x4,data=(df), control=rpart.control(minsplit = 20, minbucket = 0, cp=.01)))

或

fit<-ddply(mydataframe, .(x4), function (df)
    rpart(y~x1+x2+x3+x4,data=(df), control=rpart.control(minsplit = 20, minbucket = 0, cp=.01)))

或

fit<-ddply(mydataframe, "x4", function (df)
    rpart(y~x1+x2+x3+x4,data=(df), control=rpart.control(minsplit = 20,  minbucket = 0, cp=.01)))

Answer 2

您想用您的代码做两件事：

使用 dlply 而不是 ddply，因为您需要一个 rpart 对象列表而不是 (?) 的数据框。如果您想显示原始数据的预测值，ddply 会很有用，因为它可以格式化为数据框。
在 dlply 中使用 .(x4) 而不是 dataframe$x4。使用后者会产生不可预测的结果。

此外，在您的示例中，您应该指定一个 y 值并从 x4

之后删除 ....

Answer 3

如果您对 plyr 不满意，也可以使用基本 R 函数来完成此操作。

splitData = split(mydataframe, mydataframe$x4)

getModel = function(df) {
    fit <- rpart(y~x1+x2+x3+x4+xN....,data=df, 
        control=rpart.control(minsplit = 20, minbucket = 0, cp=.01)))
    return(fit)
}

models = lapply(splitData, getModel)

您也可以使用 dplyr 而不是 plyr 来执行此操作。

mydataframe %>% group_by(x4) %>%
   do(model = getModel(.))

运行 对数据框的多个子集进行 rpart

Running rpart over multiple subsets of a data frame

r

function

plyr

rpart

运行对数据框的多个子集进行 rpart