R 循环内的线性模型（用于子集数据的循环）

我在R中遇到了（我认为应该是）一个直截了当的问题，似乎无法让它工作。希望你能帮忙

我有一个数据框，例如：

x  y  z
1  2  a
2  3  a
3  4  a
4  5  b
5  6  b
6  7  b      etc...

我正在为每个z值子集（例如a，b…）拟合一个线性模型（y~x）并提取梯度

当我使用with语句选择“a”时，它会起作用，如下所示：

coef(with(subset(data.frame, z == "a"), {lm(y ~ x)
}))[2]

但我的问题是，在Z列中有1000多个唯一值。因此，我尝试设置一个循环（我知道R用户讨厌循环！），依次为z的每个值设置循环，并在数据帧中返回结果。代码是：

gradient.lm = NULL

unique.z <- as.matrix((unique(data.frame$z)))
count.z <- nrow(unique.z)

for (i in 1:count.z) {
  gradient.lm[i] = coef((with(subset(data.frame, z == [i]), {lm(y ~ z)
  })))[2]
}

我的猜测是，它没有意识到with函数中存在[i]

---

我找不到一种方法来做这件事，或者想不出另一种方法来做。如果您有任何建议，我们将不胜感激。

我强烈推荐

dplyr

和

broom

套餐解决方案：

set.seed(44)

dt = data.frame(x = rnorm(40, 5, 5),
                y = rnorm(40, 3, 4),
                z = rep(c("a","b"), 20))

library(dplyr)
library(broom)

dt %>%
  group_by(z) %>%            # group by column z
  do(tidy(lm(y~x, data=.)))  # for each group create model using corresponding x and y values

# Source: local data frame [4 x 6]
# Groups: z [2]
# 
#        z        term    estimate std.error  statistic    p.value
#   (fctr)       (chr)       (dbl)     (dbl)      (dbl)      (dbl)
# 1      a (Intercept)  3.54448459 1.8162699  1.9515186 0.06673401
# 2      a           x -0.18140655 0.2260252 -0.8025944 0.43267918
# 3      b (Intercept)  1.69024601 1.1960922  1.4131402 0.17467413
# 4      b           x  0.02647677 0.1914492  0.1382966 0.89154143

---

您可以提取所需的

lm

输出的任何信息。

我强烈推荐

dplyr

和

broom

包解决方案：

set.seed(44)

dt = data.frame(x = rnorm(40, 5, 5),
                y = rnorm(40, 3, 4),
                z = rep(c("a","b"), 20))

library(dplyr)
library(broom)

dt %>%
  group_by(z) %>%            # group by column z
  do(tidy(lm(y~x, data=.)))  # for each group create model using corresponding x and y values

# Source: local data frame [4 x 6]
# Groups: z [2]
# 
#        z        term    estimate std.error  statistic    p.value
#   (fctr)       (chr)       (dbl)     (dbl)      (dbl)      (dbl)
# 1      a (Intercept)  3.54448459 1.8162699  1.9515186 0.06673401
# 2      a           x -0.18140655 0.2260252 -0.8025944 0.43267918
# 3      b (Intercept)  1.69024601 1.1960922  1.4131402 0.17467413
# 4      b           x  0.02647677 0.1914492  0.1382966 0.89154143

---

您可以提取所需的

lm

输出的任何信息。

我强烈推荐

dplyr

和

broom

包解决方案：

set.seed(44)

dt = data.frame(x = rnorm(40, 5, 5),
                y = rnorm(40, 3, 4),
                z = rep(c("a","b"), 20))

library(dplyr)
library(broom)

dt %>%
  group_by(z) %>%            # group by column z
  do(tidy(lm(y~x, data=.)))  # for each group create model using corresponding x and y values

# Source: local data frame [4 x 6]
# Groups: z [2]
# 
#        z        term    estimate std.error  statistic    p.value
#   (fctr)       (chr)       (dbl)     (dbl)      (dbl)      (dbl)
# 1      a (Intercept)  3.54448459 1.8162699  1.9515186 0.06673401
# 2      a           x -0.18140655 0.2260252 -0.8025944 0.43267918
# 3      b (Intercept)  1.69024601 1.1960922  1.4131402 0.17467413
# 4      b           x  0.02647677 0.1914492  0.1382966 0.89154143

---

您可以提取所需的

lm

输出的任何信息。

我强烈推荐

dplyr

和

broom

包解决方案：

set.seed(44)

dt = data.frame(x = rnorm(40, 5, 5),
                y = rnorm(40, 3, 4),
                z = rep(c("a","b"), 20))

library(dplyr)
library(broom)

dt %>%
  group_by(z) %>%            # group by column z
  do(tidy(lm(y~x, data=.)))  # for each group create model using corresponding x and y values

# Source: local data frame [4 x 6]
# Groups: z [2]
# 
#        z        term    estimate std.error  statistic    p.value
#   (fctr)       (chr)       (dbl)     (dbl)      (dbl)      (dbl)
# 1      a (Intercept)  3.54448459 1.8162699  1.9515186 0.06673401
# 2      a           x -0.18140655 0.2260252 -0.8025944 0.43267918
# 3      b (Intercept)  1.69024601 1.1960922  1.4131402 0.17467413
# 4      b           x  0.02647677 0.1914492  0.1382966 0.89154143

您可以提取所需的

lm

输出的任何信息。

这似乎有效：

unique_z = unique(df$z)
coef_vec = vector(mode = "list", length = length(unique_z))

coef_vec[1] = 
for (i in unique_z){
  coef_vec[i] = 
    coef(
      with(
        subset(df, z==i), 
      {lm(y~x)}))[2]
}

print(coef_vec)

Cleary

coef_vec[i]

对应于

unique_z[i]

中的z值，因此您可以将系数与其

z

值匹配。

这似乎有效：

unique_z = unique(df$z)
coef_vec = vector(mode = "list", length = length(unique_z))

coef_vec[1] = 
for (i in unique_z){
  coef_vec[i] = 
    coef(
      with(
        subset(df, z==i), 
      {lm(y~x)}))[2]
}

print(coef_vec)

Cleary

coef_vec[i]

对应于

unique_z[i]

中的z值，因此您可以将系数与其

z

值匹配。

这似乎有效：

unique_z = unique(df$z)
coef_vec = vector(mode = "list", length = length(unique_z))

coef_vec[1] = 
for (i in unique_z){
  coef_vec[i] = 
    coef(
      with(
        subset(df, z==i), 
      {lm(y~x)}))[2]
}

print(coef_vec)

Cleary

coef_vec[i]

对应于

unique_z[i]

中的z值，因此您可以将系数与其

z

值匹配。

这似乎有效：

unique_z = unique(df$z)
coef_vec = vector(mode = "list", length = length(unique_z))

coef_vec[1] = 
for (i in unique_z){
  coef_vec[i] = 
    coef(
      with(
        subset(df, z==i), 
      {lm(y~x)}))[2]
}

print(coef_vec)

---

Cleary

coef_vec[i]

对应于

unique_z[i]

中的z值，因此您可以将系数与其

z

值进行匹配。

在base-R中，仅获得您显然感兴趣的梯度的命名向量：

gradient.lm <- unlist(lapply(split(df,df$z),function(chunk){
  return(coef(lm(y~x, data=chunk))[[2]])
}))

---

gradient.lm在base-R中，为您提供仅包含您显然感兴趣的渐变的命名向量：

gradient.lm <- unlist(lapply(split(df,df$z),function(chunk){
  return(coef(lm(y~x, data=chunk))[[2]])
}))

gradient.lm在base-R中，为您提供仅包含您显然感兴趣的渐变的命名向量：

gradient.lm <- unlist(lapply(split(df,df$z),function(chunk){
  return(coef(lm(y~x, data=chunk))[[2]])
}))

gradient.lm在base-R中，为您提供仅包含您显然感兴趣的渐变的命名向量：

gradient.lm <- unlist(lapply(split(df,df$z),function(chunk){
  return(coef(lm(y~x, data=chunk))[[2]])
}))

gradient.lm使用
z==unique.z[i]
而不是
z==i]
（给函数这样的变量命名通常是不好的做法（
data.frame
））使用
z==unique.z[i]
而不是
z==i]
（给函数这样的变量命名通常是不好的做法（
data.frame
）使用
z==unique.z[i]
而不是
z==i]
（给函数（
data.frame
）等变量命名通常是不好的做法）使用
z==unique.z[i]
而不是
z==i]
（给函数（
data.frame
）等变量命名通常是不好的做法）您的解决方案不会返回或分配任何内容。@Heroka您可以轻松地执行吗？不？如果您愿意，我会修改它，将其全部放在一个向量中。您的解决方案不会返回或分配任何内容。@Heroka您可以轻松地这样做不？如果您愿意，我会修改它，将其全部放在一个向量中。您的解决方案不会返回或分配任何内容。@Heroka您可以轻松地这样做不？如果您愿意，我会修改它，将其全部放在一个向量中。您的解决方案不会返回或分配任何内容。@Heroka您可以轻松地这样做不？如果你愿意的话，我会修改它，把它全部放在一个向量中。赫罗卡，这似乎很好用。非常感谢你！！赫罗卡，这似乎很好用。非常感谢你！！赫罗卡，这似乎很好用。非常感谢你！！赫罗卡，这似乎很好用。非常感谢你！！