为什么我不能使用 map 将函数应用于 lm fit 列表？
Why I cannot apply a function to a list of lm fit using map?
我正在使用嵌套数据框和 map 函数将线性回归模型拟合到不同的组。之后，我想对 lm.
的每个拟合进行分段回归
在此示例中，diamonds2 包含一个列 Fit_lm，每个组的 lm 适合。之后，我想我可以再次使用 map 来应用 segmented 功能，但是代码不起作用（参见 diamonds3）。
然而，如果我将 lm 和 segmented 组合在同一个函数中，代码就可以工作（参见 diamonds4）。
如果可以的话，我想知道为什么map和segmented不能对lm对象起作用？这与 map 函数的工作方式有关吗？当然，我可以像diamonds4一样做同样的事情，但是由于我已经适合lm一次，所以这个策略效率不高。
library(tidyverse)
library(segmented)
data("diamonds")
diamonds2 <- diamonds %>%
group_by(cut) %>%
nest() %>%
mutate(Fit_lm = map(data, ~lm(price ~ carat, data = .x)))
diamonds3 <- diamonds2 %>%
# segmented regression
mutate(Fit_seg = map(Fit_lm, ~segmented(.x, seg.Z = ~carat)))
# Error: Problem with `mutate()` input `Fit_seg`.
# x cannot coerce class ‘"lm"’ to a data.frame
# i Input `Fit_seg` is `map(Fit_lm, ~segmented(.x, seg.Z = ~carat))`.
# i The error occured in group 1: cut = "Fair".
# Run `rlang::last_error()` to see where the error occurred.
diamonds4 <- diamonds2 %>%
# lm and segmented regression
mutate(Fit_seg = map(data, function(x){
fit <- lm(price ~ carat, data = x)
fit2 <- segmented(fit, seg.Z = ~carat)
return(fit2)
}))
你可以使用新的 dplyr 1.0.0
library(tidyverse)
library(segmented)
data("diamonds")
diamonds2 <- diamonds %>%
nest_by(cut) %>%
mutate(fit_lm = list(lm(price ~ carat,data = data)),
seg = list(segmented(fit_lm,seg.Z = ~carat)))
diamonds2
#> # A tibble: 5 x 4
#> # Rowwise: cut
#> cut data fit_lm seg
#> <ord> <list<tbl_df[,9]>> <list> <list>
#> 1 Fair [1,610 x 9] <lm> <segmentd>
#> 2 Good [4,906 x 9] <lm> <segmentd>
#> 3 Very Good [12,082 x 9] <lm> <segmentd>
#> 4 Premium [13,791 x 9] <lm> <segmentd>
#> 5 Ideal [21,551 x 9] <lm> <segmentd>
由 reprex package (v0.3.0)
于 2020-06-05 创建
devtools::session_info()
#> - Session info ---------------------------------------------------------------
#> setting value
#> version R version 4.0.0 (2020-04-24)
#> os Windows 10 x64
#> system x86_64, mingw32
#> ui RTerm
#> language (EN)
#> collate English_United Kingdom.1252
#> ctype English_United Kingdom.1252
#> tz America/Sao_Paulo
#> date 2020-06-05
#>
#> - Packages -------------------------------------------------------------------
#> package * version date lib source
#> assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.0.0)
#> backports 1.1.7 2020-05-13 [1] CRAN (R 4.0.0)
#> blob 1.2.1 2020-01-20 [1] CRAN (R 4.0.0)
#> broom 0.5.6 2020-04-20 [1] CRAN (R 4.0.0)
#> callr 3.4.3 2020-03-28 [1] CRAN (R 4.0.0)
#> cellranger 1.1.0 2016-07-27 [1] CRAN (R 4.0.0)
#> cli 2.0.2 2020-02-28 [1] CRAN (R 4.0.0)
#> colorspace 1.4-1 2019-03-18 [1] CRAN (R 4.0.0)
#> crayon 1.3.4 2017-09-16 [1] CRAN (R 4.0.0)
#> DBI 1.1.0 2019-12-15 [1] CRAN (R 4.0.0)
#> dbplyr 1.4.4 2020-05-27 [1] CRAN (R 4.0.0)
#> desc 1.2.0 2018-05-01 [1] CRAN (R 4.0.0)
#> devtools 2.3.0 2020-04-10 [1] CRAN (R 4.0.0)
#> digest 0.6.25 2020-02-23 [1] CRAN (R 4.0.0)
#> dplyr * 1.0.0 2020-05-29 [1] CRAN (R 4.0.0)
#> ellipsis 0.3.1 2020-05-15 [1] CRAN (R 4.0.0)
#> evaluate 0.14 2019-05-28 [1] CRAN (R 4.0.0)
#> fansi 0.4.1 2020-01-08 [1] CRAN (R 4.0.0)
#> forcats * 0.5.0 2020-03-01 [1] CRAN (R 4.0.0)
#> fs 1.4.1 2020-04-04 [1] CRAN (R 4.0.0)
#> generics 0.0.2 2018-11-29 [1] CRAN (R 4.0.0)
#> ggplot2 * 3.3.1 2020-05-28 [1] CRAN (R 4.0.0)
#> glue 1.4.1 2020-05-13 [1] CRAN (R 4.0.0)
#> gtable 0.3.0 2019-03-25 [1] CRAN (R 4.0.0)
#> haven 2.3.0 2020-05-24 [1] CRAN (R 4.0.0)
#> highr 0.8 2019-03-20 [1] CRAN (R 4.0.0)
#> hms 0.5.3 2020-01-08 [1] CRAN (R 4.0.0)
#> htmltools 0.4.0 2019-10-04 [1] CRAN (R 4.0.0)
#> httr 1.4.1 2019-08-05 [1] CRAN (R 4.0.0)
#> jsonlite 1.6.1 2020-02-02 [1] CRAN (R 4.0.0)
#> knitr 1.28 2020-02-06 [1] CRAN (R 4.0.0)
#> lattice 0.20-41 2020-04-02 [2] CRAN (R 4.0.0)
#> lifecycle 0.2.0 2020-03-06 [1] CRAN (R 4.0.0)
#> lubridate 1.7.8 2020-04-06 [1] CRAN (R 4.0.0)
#> magrittr 1.5 2014-11-22 [1] CRAN (R 4.0.0)
#> memoise 1.1.0 2017-04-21 [1] CRAN (R 4.0.0)
#> modelr 0.1.8 2020-05-19 [1] CRAN (R 4.0.0)
#> munsell 0.5.0 2018-06-12 [1] CRAN (R 4.0.0)
#> nlme 3.1-147 2020-04-13 [2] CRAN (R 4.0.0)
#> pillar 1.4.4 2020-05-05 [1] CRAN (R 4.0.0)
#> pkgbuild 1.0.8 2020-05-07 [1] CRAN (R 4.0.0)
#> pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.0.0)
#> pkgload 1.1.0 2020-05-29 [1] CRAN (R 4.0.0)
#> prettyunits 1.1.1 2020-01-24 [1] CRAN (R 4.0.0)
#> processx 3.4.2 2020-02-09 [1] CRAN (R 4.0.0)
#> ps 1.3.3 2020-05-08 [1] CRAN (R 4.0.0)
#> purrr * 0.3.4 2020-04-17 [1] CRAN (R 4.0.0)
#> R6 2.4.1 2019-11-12 [1] CRAN (R 4.0.0)
#> Rcpp 1.0.4.6 2020-04-09 [1] CRAN (R 4.0.0)
#> readr * 1.3.1 2018-12-21 [1] CRAN (R 4.0.0)
#> readxl 1.3.1 2019-03-13 [1] CRAN (R 4.0.0)
#> remotes 2.1.1 2020-02-15 [1] CRAN (R 4.0.0)
#> reprex 0.3.0 2019-05-16 [1] CRAN (R 4.0.0)
#> rlang 0.4.6 2020-05-02 [1] CRAN (R 4.0.0)
#> rmarkdown 2.2 2020-05-31 [1] CRAN (R 4.0.0)
#> rprojroot 1.3-2 2018-01-03 [1] CRAN (R 4.0.0)
#> rvest 0.3.5 2019-11-08 [1] CRAN (R 4.0.0)
#> scales 1.1.1 2020-05-11 [1] CRAN (R 4.0.0)
#> segmented * 1.1-0 2019-12-10 [1] CRAN (R 4.0.0)
#> sessioninfo 1.1.1 2018-11-05 [1] CRAN (R 4.0.0)
#> stringi 1.4.6 2020-02-17 [1] CRAN (R 4.0.0)
#> stringr * 1.4.0 2019-02-10 [1] CRAN (R 4.0.0)
#> testthat 2.3.2 2020-03-02 [1] CRAN (R 4.0.0)
#> tibble * 3.0.1 2020-04-20 [1] CRAN (R 4.0.0)
#> tidyr * 1.1.0 2020-05-20 [1] CRAN (R 4.0.0)
#> tidyselect 1.1.0 2020-05-11 [1] CRAN (R 4.0.0)
#> tidyverse * 1.3.0.9000 2020-05-16 [1] Github (tidyverse/tidyverse@1d7f9b7)
#> usethis 1.6.1 2020-04-29 [1] CRAN (R 4.0.0)
#> utf8 1.1.4 2018-05-24 [1] CRAN (R 4.0.0)
#> vctrs 0.3.0 2020-05-11 [1] CRAN (R 4.0.0)
#> withr 2.2.0 2020-04-20 [1] CRAN (R 4.0.0)
#> xfun 0.14 2020-05-20 [1] CRAN (R 4.0.0)
#> xml2 1.3.2 2020-04-23 [1] CRAN (R 4.0.0)
#> yaml 2.2.1 2020-02-01 [1] CRAN (R 4.0.0)
#>
#> [1] C:/Users/brunotc1/Documents/R/win-library/4.0
#> [2] C:/Program Files/R/R-4.0.0/library
当您运行 segmented时，您需要函数中的数据。此外，数据的名称应与您 运行 lm.
时的名称相同
所以这有效：
library(dplyr)
library(purrr)
library(segmented)
diamonds2 %>%
mutate(Fit_seg = map2(data, Fit_lm, ~segmented(.y, seg.Z = ~carat)))
# cut data Fit_lm Fit_seg
# <ord> <list> <list> <list>
#1 Ideal <tibble [21,551 × 9]> <lm> <segmentd>
#2 Premium <tibble [13,791 × 9]> <lm> <segmentd>
#3 Good <tibble [4,906 × 9]> <lm> <segmentd>
#4 Very Good <tibble [12,082 × 9]> <lm> <segmentd>
#5 Fair <tibble [1,610 × 9]> <lm> <segmentd>
但这不会：
diamonds2 %>%
mutate(Fit_seg = map2(Fit_lm, data, ~segmented(.x, seg.Z = ~carat)))
这是因为当您 运行 lm 时，您的数据被命名为 .x。
因此，即使您 运行 使用匿名函数，它也会失败，因为 .x 不同于 x。
diamonds2 %>% mutate(Fit_seg = map2(data, Fit_lm,
function(x, y) segmented(y, seg.Z = ~carat)))
所以我想最好的解决方案是在同一个函数中使用 segmented 和 lm，这样你就可以同时拥有数据和 lm 对象。
我正在使用嵌套数据框和 map 函数将线性回归模型拟合到不同的组。之后，我想对 lm.
在此示例中，diamonds2 包含一个列 Fit_lm，每个组的 lm 适合。之后，我想我可以再次使用 map 来应用 segmented 功能，但是代码不起作用（参见 diamonds3）。
然而，如果我将 lm 和 segmented 组合在同一个函数中，代码就可以工作（参见 diamonds4）。
如果可以的话，我想知道为什么map和segmented不能对lm对象起作用？这与 map 函数的工作方式有关吗？当然，我可以像diamonds4一样做同样的事情，但是由于我已经适合lm一次，所以这个策略效率不高。
library(tidyverse)
library(segmented)
data("diamonds")
diamonds2 <- diamonds %>%
group_by(cut) %>%
nest() %>%
mutate(Fit_lm = map(data, ~lm(price ~ carat, data = .x)))
diamonds3 <- diamonds2 %>%
# segmented regression
mutate(Fit_seg = map(Fit_lm, ~segmented(.x, seg.Z = ~carat)))
# Error: Problem with `mutate()` input `Fit_seg`.
# x cannot coerce class ‘"lm"’ to a data.frame
# i Input `Fit_seg` is `map(Fit_lm, ~segmented(.x, seg.Z = ~carat))`.
# i The error occured in group 1: cut = "Fair".
# Run `rlang::last_error()` to see where the error occurred.
diamonds4 <- diamonds2 %>%
# lm and segmented regression
mutate(Fit_seg = map(data, function(x){
fit <- lm(price ~ carat, data = x)
fit2 <- segmented(fit, seg.Z = ~carat)
return(fit2)
}))
你可以使用新的 dplyr 1.0.0
library(tidyverse)
library(segmented)
data("diamonds")
diamonds2 <- diamonds %>%
nest_by(cut) %>%
mutate(fit_lm = list(lm(price ~ carat,data = data)),
seg = list(segmented(fit_lm,seg.Z = ~carat)))
diamonds2
#> # A tibble: 5 x 4
#> # Rowwise: cut
#> cut data fit_lm seg
#> <ord> <list<tbl_df[,9]>> <list> <list>
#> 1 Fair [1,610 x 9] <lm> <segmentd>
#> 2 Good [4,906 x 9] <lm> <segmentd>
#> 3 Very Good [12,082 x 9] <lm> <segmentd>
#> 4 Premium [13,791 x 9] <lm> <segmentd>
#> 5 Ideal [21,551 x 9] <lm> <segmentd>
由 reprex package (v0.3.0)
于 2020-06-05 创建devtools::session_info()
#> - Session info ---------------------------------------------------------------
#> setting value
#> version R version 4.0.0 (2020-04-24)
#> os Windows 10 x64
#> system x86_64, mingw32
#> ui RTerm
#> language (EN)
#> collate English_United Kingdom.1252
#> ctype English_United Kingdom.1252
#> tz America/Sao_Paulo
#> date 2020-06-05
#>
#> - Packages -------------------------------------------------------------------
#> package * version date lib source
#> assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.0.0)
#> backports 1.1.7 2020-05-13 [1] CRAN (R 4.0.0)
#> blob 1.2.1 2020-01-20 [1] CRAN (R 4.0.0)
#> broom 0.5.6 2020-04-20 [1] CRAN (R 4.0.0)
#> callr 3.4.3 2020-03-28 [1] CRAN (R 4.0.0)
#> cellranger 1.1.0 2016-07-27 [1] CRAN (R 4.0.0)
#> cli 2.0.2 2020-02-28 [1] CRAN (R 4.0.0)
#> colorspace 1.4-1 2019-03-18 [1] CRAN (R 4.0.0)
#> crayon 1.3.4 2017-09-16 [1] CRAN (R 4.0.0)
#> DBI 1.1.0 2019-12-15 [1] CRAN (R 4.0.0)
#> dbplyr 1.4.4 2020-05-27 [1] CRAN (R 4.0.0)
#> desc 1.2.0 2018-05-01 [1] CRAN (R 4.0.0)
#> devtools 2.3.0 2020-04-10 [1] CRAN (R 4.0.0)
#> digest 0.6.25 2020-02-23 [1] CRAN (R 4.0.0)
#> dplyr * 1.0.0 2020-05-29 [1] CRAN (R 4.0.0)
#> ellipsis 0.3.1 2020-05-15 [1] CRAN (R 4.0.0)
#> evaluate 0.14 2019-05-28 [1] CRAN (R 4.0.0)
#> fansi 0.4.1 2020-01-08 [1] CRAN (R 4.0.0)
#> forcats * 0.5.0 2020-03-01 [1] CRAN (R 4.0.0)
#> fs 1.4.1 2020-04-04 [1] CRAN (R 4.0.0)
#> generics 0.0.2 2018-11-29 [1] CRAN (R 4.0.0)
#> ggplot2 * 3.3.1 2020-05-28 [1] CRAN (R 4.0.0)
#> glue 1.4.1 2020-05-13 [1] CRAN (R 4.0.0)
#> gtable 0.3.0 2019-03-25 [1] CRAN (R 4.0.0)
#> haven 2.3.0 2020-05-24 [1] CRAN (R 4.0.0)
#> highr 0.8 2019-03-20 [1] CRAN (R 4.0.0)
#> hms 0.5.3 2020-01-08 [1] CRAN (R 4.0.0)
#> htmltools 0.4.0 2019-10-04 [1] CRAN (R 4.0.0)
#> httr 1.4.1 2019-08-05 [1] CRAN (R 4.0.0)
#> jsonlite 1.6.1 2020-02-02 [1] CRAN (R 4.0.0)
#> knitr 1.28 2020-02-06 [1] CRAN (R 4.0.0)
#> lattice 0.20-41 2020-04-02 [2] CRAN (R 4.0.0)
#> lifecycle 0.2.0 2020-03-06 [1] CRAN (R 4.0.0)
#> lubridate 1.7.8 2020-04-06 [1] CRAN (R 4.0.0)
#> magrittr 1.5 2014-11-22 [1] CRAN (R 4.0.0)
#> memoise 1.1.0 2017-04-21 [1] CRAN (R 4.0.0)
#> modelr 0.1.8 2020-05-19 [1] CRAN (R 4.0.0)
#> munsell 0.5.0 2018-06-12 [1] CRAN (R 4.0.0)
#> nlme 3.1-147 2020-04-13 [2] CRAN (R 4.0.0)
#> pillar 1.4.4 2020-05-05 [1] CRAN (R 4.0.0)
#> pkgbuild 1.0.8 2020-05-07 [1] CRAN (R 4.0.0)
#> pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.0.0)
#> pkgload 1.1.0 2020-05-29 [1] CRAN (R 4.0.0)
#> prettyunits 1.1.1 2020-01-24 [1] CRAN (R 4.0.0)
#> processx 3.4.2 2020-02-09 [1] CRAN (R 4.0.0)
#> ps 1.3.3 2020-05-08 [1] CRAN (R 4.0.0)
#> purrr * 0.3.4 2020-04-17 [1] CRAN (R 4.0.0)
#> R6 2.4.1 2019-11-12 [1] CRAN (R 4.0.0)
#> Rcpp 1.0.4.6 2020-04-09 [1] CRAN (R 4.0.0)
#> readr * 1.3.1 2018-12-21 [1] CRAN (R 4.0.0)
#> readxl 1.3.1 2019-03-13 [1] CRAN (R 4.0.0)
#> remotes 2.1.1 2020-02-15 [1] CRAN (R 4.0.0)
#> reprex 0.3.0 2019-05-16 [1] CRAN (R 4.0.0)
#> rlang 0.4.6 2020-05-02 [1] CRAN (R 4.0.0)
#> rmarkdown 2.2 2020-05-31 [1] CRAN (R 4.0.0)
#> rprojroot 1.3-2 2018-01-03 [1] CRAN (R 4.0.0)
#> rvest 0.3.5 2019-11-08 [1] CRAN (R 4.0.0)
#> scales 1.1.1 2020-05-11 [1] CRAN (R 4.0.0)
#> segmented * 1.1-0 2019-12-10 [1] CRAN (R 4.0.0)
#> sessioninfo 1.1.1 2018-11-05 [1] CRAN (R 4.0.0)
#> stringi 1.4.6 2020-02-17 [1] CRAN (R 4.0.0)
#> stringr * 1.4.0 2019-02-10 [1] CRAN (R 4.0.0)
#> testthat 2.3.2 2020-03-02 [1] CRAN (R 4.0.0)
#> tibble * 3.0.1 2020-04-20 [1] CRAN (R 4.0.0)
#> tidyr * 1.1.0 2020-05-20 [1] CRAN (R 4.0.0)
#> tidyselect 1.1.0 2020-05-11 [1] CRAN (R 4.0.0)
#> tidyverse * 1.3.0.9000 2020-05-16 [1] Github (tidyverse/tidyverse@1d7f9b7)
#> usethis 1.6.1 2020-04-29 [1] CRAN (R 4.0.0)
#> utf8 1.1.4 2018-05-24 [1] CRAN (R 4.0.0)
#> vctrs 0.3.0 2020-05-11 [1] CRAN (R 4.0.0)
#> withr 2.2.0 2020-04-20 [1] CRAN (R 4.0.0)
#> xfun 0.14 2020-05-20 [1] CRAN (R 4.0.0)
#> xml2 1.3.2 2020-04-23 [1] CRAN (R 4.0.0)
#> yaml 2.2.1 2020-02-01 [1] CRAN (R 4.0.0)
#>
#> [1] C:/Users/brunotc1/Documents/R/win-library/4.0
#> [2] C:/Program Files/R/R-4.0.0/library
当您运行 segmented时，您需要函数中的数据。此外，数据的名称应与您 运行 lm.
所以这有效：
library(dplyr)
library(purrr)
library(segmented)
diamonds2 %>%
mutate(Fit_seg = map2(data, Fit_lm, ~segmented(.y, seg.Z = ~carat)))
# cut data Fit_lm Fit_seg
# <ord> <list> <list> <list>
#1 Ideal <tibble [21,551 × 9]> <lm> <segmentd>
#2 Premium <tibble [13,791 × 9]> <lm> <segmentd>
#3 Good <tibble [4,906 × 9]> <lm> <segmentd>
#4 Very Good <tibble [12,082 × 9]> <lm> <segmentd>
#5 Fair <tibble [1,610 × 9]> <lm> <segmentd>
但这不会：
diamonds2 %>%
mutate(Fit_seg = map2(Fit_lm, data, ~segmented(.x, seg.Z = ~carat)))
这是因为当您 运行 lm 时，您的数据被命名为 .x。
因此，即使您 运行 使用匿名函数，它也会失败，因为 .x 不同于 x。
diamonds2 %>% mutate(Fit_seg = map2(data, Fit_lm,
function(x, y) segmented(y, seg.Z = ~carat)))
所以我想最好的解决方案是在同一个函数中使用 segmented 和 lm，这样你就可以同时拥有数据和 lm 对象。