如何将列矩阵附加到dplyr中的数据帧？

我想将（

mutate

）多列附加到数据帧中，这些列存储在矩阵中。有没有办法使用tidyverse中的函数来实现这一点？（请注意，通过使用

base:：

函数是可能的。）同样地，我要问的是，使用tidyverse中的函数最自然（或惯用）的方法是什么

例如，假设我们估计分位数回归：

library(dplyr)

tibble(x = runif(100)) %>%
  mutate(y = rnorm(n())) ->
  EstimationData

library(quantreg)

taus <- (1:9)/10
rq_fit <- rq(y ~ x, tau = taus, data = EstimationData)

这可以通过以下方式完成：

predict(rq_fit, newdata = PredictionData)

它返回一个矩阵（每个tau对应一列）。自然的做法是将预测与相应的

x

s一起打包。人们可能希望能够

mutate（）

将上述矩阵转换为

PredictionData

，但据我所知，这是不可能的。一种可能性是：

PredictionData %>%
  data.frame(predict(rq_fit, newdata = .), check.names = FALSE) # (*)

虽然它依赖于

base:：data.frame（）

，但它工作得很好（特别是因为矩阵列有名称）。请注意，

tibble（）

和

as_tibble（）

不起作用

尝试编写更惯用的tidyverse代码的一种方法是将矩阵转换为向量列表，如下所示：

row_split <- function(X) split(X, row(X, as.factor = TRUE))

PredictionData %>%
  mutate(y = row_split(predict(rq_fit, newdata = .))) %>%
  unnest(.id = 'tau_ix') %>%
  mutate(tau = taus[as.integer(tau_ix)]) %>%
  select(-tau_ix)

行分割%
突变（y=行分割（预测（rq拟合，新数据=））%>%
未测试（.id='tau_ix'）%>%
变异（tau=taus[as.integer（tau_ix）]）%>%
选择（-tau_ix）

但我不认为这样更好

---

方法

（*）

是最好的方法吗？

我想你想要的函数是

dplyr:：bind\u cols（）

。注意，这不适用于矩阵，因此还必须使用

dplyr:：as_tible（）

如果您的目标是将事物保持为可编辑状态，请使用

dplyr

等中的函数，我认为这是最简单的方法：

PredictionData %>% bind_cols(as_tibble(predict(rq_fit, newdata = .)))

然而，有人可能会认为，对于

dplyr

方法来说，这有点过于“从内到外”而不是“从左到右”。那么，也许你想要更像

rq_fit %>%
    predict(newdata = PredictionData) %>%
    as_tibble() %>%
    bind_cols(PredictionData) %>%
    select(x, everything())

这两种方法都提供了以下输出：

# A tibble: 10 x 10
           x `tau= 0.1` `tau= 0.2` `tau= 0.3` `tau= 0.4`   `tau= 0.5` `tau= 0.6` `tau= 0.7` `tau= 0.8` `tau= 0.9`
       <dbl>      <dbl>      <dbl>      <dbl>      <dbl>        <dbl>      <dbl>      <dbl>      <dbl>      <dbl>
 1 0.0000000 -1.5755585 -0.8082654 -0.3133431 -0.1952309  0.058074887 0.44450275  0.6679990  0.8802325   1.650510
 2 0.1111111 -1.4767907 -0.7915847 -0.3517192 -0.1909820  0.041473996 0.39935461  0.6132367  0.8618259   1.618999
 3 0.2222222 -1.3780228 -0.7749040 -0.3900952 -0.1867331  0.024873104 0.35420647  0.5584744  0.8434194   1.587488
 4 0.3333333 -1.2792549 -0.7582233 -0.4284712 -0.1824842  0.008272213 0.30905833  0.5037121  0.8250128   1.555976
 5 0.4444444 -1.1804871 -0.7415425 -0.4668472 -0.1782353 -0.008328679 0.26391019  0.4489498  0.8066063   1.524465
 6 0.5555556 -1.0817192 -0.7248618 -0.5052233 -0.1739865 -0.024929570 0.21876205  0.3941875  0.7881997   1.492954
 7 0.6666667 -0.9829513 -0.7081811 -0.5435993 -0.1697376 -0.041530462 0.17361391  0.3394252  0.7697932   1.461442
 8 0.7777778 -0.8841835 -0.6915004 -0.5819753 -0.1654887 -0.058131353 0.12846577  0.2846630  0.7513866   1.429931
 9 0.8888889 -0.7854156 -0.6748196 -0.6203513 -0.1612398 -0.074732245 0.08331763  0.2299007  0.7329801   1.398419
10 1.0000000 -0.6866477 -0.6581389 -0.6587274 -0.1569909 -0.091333136 0.03816949  0.1751384  0.7145735   1.366908

#一个tible:10x10
x`tau=0.1``tau=0.2``tau=0.3``tau=0.4``tau=0.5``tau=0.6``tau=0.7``tau=0.8``tau=0.9`
1 0.0000000 -1.5755585 -0.8082654 -0.3133431 -0.1952309  0.058074887 0.44450275  0.6679990  0.8802325   1.650510
2 0.1111111 -1.4767907 -0.7915847 -0.3517192 -0.1909820  0.041473996 0.39935461  0.6132367  0.8618259   1.618999
3 0.2222222 -1.3780228 -0.7749040 -0.3900952 -0.1867331  0.024873104 0.35420647  0.5584744  0.8434194   1.587488
4 0.3333333 -1.2792549 -0.7582233 -0.4284712 -0.1824842  0.008272213 0.30905833  0.5037121  0.8250128   1.555976
5 0.4444444 -1.1804871 -0.7415425 -0.4668472 -0.1782353 -0.008328679 0.26391019  0.4489498  0.8066063   1.524465
6 0.5555556 -1.0817192 -0.7248618 -0.5052233 -0.1739865 -0.024929570 0.21876205  0.3941875  0.7881997   1.492954
7 0.6666667 -0.9829513 -0.7081811 -0.5435993 -0.1697376 -0.041530462 0.17361391  0.3394252  0.7697932   1.461442
8 0.7777778 -0.8841835 -0.6915004 -0.5819753 -0.1654887 -0.058131353 0.12846577  0.2846630  0.7513866   1.429931
9 0.8888889 -0.7854156 -0.6748196 -0.6203513 -0.1612398 -0.074732245 0.08331763  0.2299007  0.7329801   1.398419
10 1.0000000 -0.6866477 -0.6581389 -0.6587274 -0.1569909 -0.091333136 0.03816949  0.1751384  0.7145735   1.366908

资料 为了再现性，我使用您的代码创建了数据，但首先设置种子：

set.seed(1234)

library(dplyr)

tibble(x = runif(100)) %>%
    mutate(y = rnorm(n())) ->
    EstimationData

library(quantreg)

taus <- (1:9)/10
rq_fit <- rq(y ~ x, tau = taus, data = EstimationData)

PredictionData <- tibble(x = seq(0, 1, len = 10))

set.seed（1234）
图书馆（dplyr）
tibble（x=runif（100））%>%
突变（y=rnorm（n（））->
估计数据
图书馆（量子力学）
tau我认为你是对的，
dplyr:：bind_cols（）
比
base:：data.frame（）
更快，可读性更强（并且生活在整洁的环境中！）。
set.seed(1234)

library(dplyr)

tibble(x = runif(100)) %>%
    mutate(y = rnorm(n())) ->
    EstimationData

library(quantreg)

taus <- (1:9)/10
rq_fit <- rq(y ~ x, tau = taus, data = EstimationData)

PredictionData <- tibble(x = seq(0, 1, len = 10))