在dplyr:：group\u modify中使用purrr:：mably（）生成整洁的模型统计信息

我试图在

testData

中拟合许多指数模型，但是，如果要在

testData$ID

中改变质量增益的模式，这个模型对许多人来说都不会成功。我们的目标是生成一个

broom:：tidy

数据框，其中报告了

testData$ID

中所有具有成功模型的统计信息，任何没有模型的个体都会出现在数据框中，模型统计信息为NA。下面是无法为任何ID建模的数据示例。我已经看过了，它告诉我我必须围绕抛出错误的函数包装purr:：mably（），而不是broom:：tidy（），因此我放弃了

ExpMod_1

。这方面的错误是：

错误：.f的结果应该是一个数据帧。

我还研究了，它告诉我，可能确实返回了一个函数，该函数“接受与其输入相同的参数”（-user3603486），而不仅仅是

否则

参数指定的值……这让我感到困惑，因为在这个答案中，

NA_character

似乎只是一个静态值。此运行时引发的错误是：

错误：类函数的对象没有整洁的方法

我附上了一些示例数据和代码来演示我的问题

require(tidyverse)
require(broom)

testDat<- tibble(Mass = rnorm(n = 100, mean = 3.5, sd = 0.5),
                 Days_to_Departure = sample(x = (c(1:14)),size = 100, replace = T),
                 ID = sample(x = c(1:4), size = 100, replace = T))
ExpMod_1<-testDat %>% 
  group_by(ID) %>%
  group_modify(.f = ~possibly(~tidy(nls(Mass_Visit ~ a*exp(-b*Days_to_Departure) + c, data = .x,
                                        start = list(a=1.2, b=0.5, c = 3.5),
                                        control = list(maxiter = 500),
                                        trace = T)),otherwise = ~tibble(estimate    = c(NA_real_),
                                                                       p.value      = c(NA_real_),
                                                                       statistic    = c(NA_real_),
                                                                       std.error    = c(NA_real_),
                                                                       term = c(NA_character_))))
ExpMod_2<-testDat %>% 
  group_by(ID) %>%
  group_modify(.f = ~tidy(possibly(~nls(Mass_Visit ~ a*exp(-b*Days_to_Departure) + c, data = .x,
                                        start = list(a=1.2, b=0.5, c = 3.5),
                                        control = list(maxiter = 500),
                                        trace = T),otherwise = ~list(m = NA_character_))))

require（tidyverse）
需要（扫帚）
测试数据%
组修改（.f=~可能（~tidy）（nls（大规模访问~a*exp（-b*Days\u-to\u出发）+c，数据=.x，
开始=列表（a=1.2，b=0.5，c=3.5），
控制=列表（最大值=500），
trace=T），否则=~tibble（估计=c（NA_real_uu），
p、 值=c（不适用于实际值），
统计=c（不真实），
标准误差=c（不真实），
术语=c（不带字符）
ExpMod_2%
分组依据（ID）%>%
组修改（.f=~tidy（可能是（~nls（大规模访问~a*exp（-b*Days\u-to\u出发）+c，数据=.x，
开始=列表（a=1.2，b=0.5，c=3.5），
控制=列表（最大值=500），
trace=T），否则=~list（m=NA_字符）

这两个错误对我都有意义。我想知道是否可以在打包时嵌套这些函数，或者我正在尝试的操作是否需要编写不同的函数。问题是，我正在尝试适应许多模型，我预计会有许多失败，我将用不同的模型解决这些问题…nls、lm、nlme、lmer等。但我想适应和比较所有这些，所以我需要知道什么成功，在哪里成功，何时成功

---

提前感谢，任何建议或反馈都将不胜感激。

我发现

的语法可能非常混乱。下面是一种使用
tryCatch
执行此操作的方法：

library(tidyverse)

testDat %>% 
  group_by(ID) %>%
  summarise(data = list(tryCatch({
    tidy(nls(Mass_Visit ~ a*exp(-b*Days_to_Departure) + c, data = .x,
            start = list(a=1.2, b=0.5, c = 3.5),
            control = list(maxiter = 500),
            trace = T))
    }, error = function(e) {
      tibble(estimate    = c(NA_real_),
             p.value      = c(NA_real_),
             statistic    = c(NA_real_),
             std.error    = c(NA_real_),
            term = c(NA_character_))
      })))

#     ID data            
#  <int> <list>          
#1     1 <tibble [1 × 5]>
#2     2 <tibble [1 × 5]>
#3     3 <tibble [1 × 5]>
#4     4 <tibble [1 × 5]>

库（tidyverse）
testDat%>%
分组依据（ID）%>%
总结（数据=列表（tryCatch({
整洁（nls（大规模访问~a*exp（-b*Days\u-to\u出发）+c，数据=.x，
开始=列表（a=1.2，b=0.5，c=3.5），
控制=列表（最大值=500），
轨迹=T）
}，错误=函数（e）{
tibble（估计值=c（不真实），
p、 值=c（不适用于实际值），
统计=c（不真实），
标准误差=c（不真实），
术语=c（不适用字符）
})))
#ID数据
#             
#1     1 
#2     2 
#3     3 
#4     4 
我发现
的语法可能非常混乱。下面是一种使用
tryCatch
执行此操作的方法：

library(tidyverse)

testDat %>% 
  group_by(ID) %>%
  summarise(data = list(tryCatch({
    tidy(nls(Mass_Visit ~ a*exp(-b*Days_to_Departure) + c, data = .x,
            start = list(a=1.2, b=0.5, c = 3.5),
            control = list(maxiter = 500),
            trace = T))
    }, error = function(e) {
      tibble(estimate    = c(NA_real_),
             p.value      = c(NA_real_),
             statistic    = c(NA_real_),
             std.error    = c(NA_real_),
            term = c(NA_character_))
      })))

#     ID data            
#  <int> <list>          
#1     1 <tibble [1 × 5]>
#2     2 <tibble [1 × 5]>
#3     3 <tibble [1 × 5]>
#4     4 <tibble [1 × 5]>

库（tidyverse）
testDat%>%
分组依据（ID）%>%
总结（数据=列表（tryCatch({
整洁（nls（大规模访问~a*exp（-b*Days\u-to\u出发）+c，数据=.x，
开始=列表（a=1.2，b=0.5，c=3.5），
控制=列表（最大值=500），
轨迹=T）
}，错误=函数（e）{
tibble（估计值=c（不真实），
p、 值=c（不适用于实际值），
统计=c（不真实），
标准误差=c（不真实），
术语=c（不适用字符）
})))
#ID数据
#             
#1     1 
#2     2 
#3     3 
#4     4 
太棒了！通过一些小的调整，这正是我想要的。作为参考，调整如下：
group\u modify（~tryCatch（{tidy（nls（Mass\u Visit~a*exp（-b*Days\u to\u detairation）+c，data=.x，
）在调用对数据进行分组后。由于TIBLE in/TIBLE out行为（无需嵌套和取消测试），首选group modify函数。此外，Summary似乎对使用“.”处理哪些数据感到困惑。非常高兴能够使用它--谢谢！太棒了！经过一些小的调整，这正是我想要的。作为参考，调整如下：
group\u modify（{tryCatch（{tidy（nls）（Mass\u Visit~a*exp（-b*Days\u to\u出发）+c，data=.x，
在调用对数据分组后。由于tibble in/tibble out行为（无需嵌套和取消测试），首选group modify函数。此外，Summary似乎对使用哪种数据“.”感到困惑。非常高兴能够使用此功能，谢谢！