R 在管道（%>；%）流中执行lm（）：模型公式中的无效项错误

我打算在data.frame中按因子的每个级别执行单独的回归。我过去可以通过使用

plyr:：ddply

来实现这一点。但是，当我尝试使用管道流分析时，我遇到了以下错误。请告知如何克服它，否则我将不得不返回到

plyr:：ddply

等。谢谢

d = data.frame(
Gender = c("M","F"),
Age = rnorm(20, mean = 40, sd = 3),
Weight = rnorm(20, mean=70, sd=5)
)


fit <- d %>% group_by(Gender) %>%
summarise(
  Intercept = coef(lm(Weight ~ Age))[1],
  Slope = coef(lm(Weight ~ Age))[2]
)

d=data.frame(
性别=c（“M”、“F”），
年龄=rnorm（20，平均值=40，标准差=3），
重量=rnorm（20，平均值=70，标准差=5）
)
适合百分比组别（性别）%>%
总结(
截距=coef（lm（重量~年龄））[1]，
斜率=系数（lm（重量~年龄））[2]
)

错误：模型公式中的术语无效

---

使用

do

将有所帮助，并且模型将只计算一次：

fit <- d %>% group_by(Gender) %>% 
       do(model = lm(Weight ~ Age, data=.)) %>% 
       mutate(Intercept=coef(model)[1], Slope=coef(model)[2]) %>%
       select(-model)

fit%groupby（性别）%>%
do（型号=lm（体重~年龄，数据=）%>%
突变（截距=coef（模型）[1]，斜率=coef（模型）[2]）%>%
选择（-model）

---

省略最后一个

select（-model）

，将您的

lm

模型保留在它们自己的列中。

更简单的解决方案甚至是使用

扫帚<代码>扫帚：：整洁

将模型输出重新排列为整洁的数据帧，您不必手动访问单个系数。有关更多信息，请参见

渐晕（扫帚）

库（dplyr）
图书馆（扫帚）
适合百分比组（按性别）%>%do（数据框（整洁（lm（体重~年龄，数据=））
适合
来源：本地数据帧[4 x 6]
团体：性别[2]
性别术语估计标准误差统计p值
（fctr）（chr）（dbl）（dbl）（dbl）（dbl）（dbl）
1 F（截距）92.5751034 37.6736331 2.4572916 0.039485169
2 F年龄-0.5132374 0.9098960-0.5640616 0.588172020
3米（截距）41.4985927 10.4958042 3.9538269 0.004213341
4米年龄0.7346306 0.2691001 2.7299529 0.025847680

---

在这里，模型输出根据分组变量存储，每个系数存储在单独的行中，您可以轻松地将其子集化

此外，对于复杂的模型，最好只运行一次回归。如何在这样的管道流程中完成它？尝试

do

而不是

summary

。感谢coffeinjunky提供的最佳实践建议。我已经标出了我喜欢的答案，但两种方法都很有效。这里只是一个关于管道的问题。为什么将管道与传统的

function1（function2（function3（x））

样式混合使用？难道不可能一路用管道输送吗？好问题。我的理解是，

do

类似于

summary

或

mutate

，您也可以使用传统的函数调用。例如，您不会编写

groupby（Gender）%%>%mean（var）%%>%summary

，而不是

groupby（Gender）%%>%summary（mean（var））

。

library(dplyr)
library(broom)

fit <- d %>% group_by(Gender) %>% do(data.frame(tidy(lm(Weight ~ Age, data=.))))
fit
Source: local data frame [4 x 6]
Groups: Gender [2]

  Gender        term   estimate  std.error  statistic     p.value
  (fctr)       (chr)      (dbl)      (dbl)      (dbl)       (dbl)
1      F (Intercept) 92.5751034 37.6736331  2.4572916 0.039485169
2      F         Age -0.5132374  0.9098960 -0.5640616 0.588172020
3      M (Intercept) 41.4985927 10.4958042  3.9538269 0.004213341
4      M         Age  0.7346306  0.2691001  2.7299529 0.025847680