R 使用ggplot绘制截距和坡度的TIBLE的多元线性回归

我对多重线性回归的截距

alpha

和斜率

beta

进行了tibble

fit

。Dput数据如下

我想在同一个绘图窗口中对每个回归进行指数化和绘图，以便

y=exp（alpha+beta*x）

下面是我制作的一个“测试”图，以找出如何做到这一点：

ggplot() +
  stat_function(fun = ~ for (i in 1:nrow(fit)) {
    exp(fit$alpha[i] + fit$beta[i] * seq(0, 10, .01))
  }) +
  theme_classic() +
  xlim(0, 10) +
  ylim(0, 1000)

但它不起作用，我得到以下警告，我不确定是否理解：

Computation failed in `stat_function()`:
Elements must equal the number of rows or 1 

另外，是否有一个

ggplot

函数可以直接迭代每个回归，这样我就不必使用循环？我知道，

geom_abline（）

可以用截距和坡度来做，但我不能对回归进行指数化

数据：

---

利用

purrr:：map

和

geom_函数

可以这样实现：

库（ggplot2）
ggplot（）+
purrr:：map（1:nrow（fit），~geom_函数（fun=函数（x）exp（fit$alpha[.x]+fit$beta[.x]*x）））+
主题(经典)+
xlim（0,10）+
ylim（0，1000）

---

利用

purrr:：map

和

geom_函数

可以这样实现：

库（ggplot2）
ggplot（）+
purrr:：map（1:nrow（fit），~geom_函数（fun=函数（x）exp（fit$alpha[.x]+fit$beta[.x]*x）））+
主题(经典)+
xlim（0,10）+
ylim（0，1000）

---

在绘制ggplot之前，您可以通过以下方式计算x和y：

library(dplyr)
library(ggplot2)

fit %>%
 mutate(model = row_number()) %>%
 rowwise(model, alpha, beta) %>%
 summarise(x = seq(0, 10, .01),
           y = exp(alpha + beta * x)) %>% 
 
 ggplot() +
 geom_line(aes(x = x, y = y, colour = factor(model)), show.legend = FALSE) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000)

---

编辑：

只需快速更新，以查看使用

dplyr

和

purr

的方法在效率方面的差异：

microbenchmark::microbenchmark(
dplyr = fit %>%
 mutate(model = row_number()) %>%
 rowwise(model, alpha, beta) %>%
 summarise(x = seq(0, 10, .01),
           y = exp(alpha + beta * x), 
           .groups = "drop") %>% 
 
 ggplot() +
 geom_line(aes(x = x, y = y, colour = factor(model)), show.legend = FALSE) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000),


purr = ggplot() +
 purrr::map(1:nrow(fit), ~ geom_function(fun = function(x) exp(fit$alpha[.x] + fit$beta[.x] * x))) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000)

) %>% plot()

---

dplyr

解决方案的速度要快得多。

您可以通过以下方式在ggplot之前计算x和y：

library(dplyr)
library(ggplot2)

fit %>%
 mutate(model = row_number()) %>%
 rowwise(model, alpha, beta) %>%
 summarise(x = seq(0, 10, .01),
           y = exp(alpha + beta * x)) %>% 
 
 ggplot() +
 geom_line(aes(x = x, y = y, colour = factor(model)), show.legend = FALSE) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000)

---

编辑：

只需快速更新，以查看使用

dplyr

和

purr

的方法在效率方面的差异：

microbenchmark::microbenchmark(
dplyr = fit %>%
 mutate(model = row_number()) %>%
 rowwise(model, alpha, beta) %>%
 summarise(x = seq(0, 10, .01),
           y = exp(alpha + beta * x), 
           .groups = "drop") %>% 
 
 ggplot() +
 geom_line(aes(x = x, y = y, colour = factor(model)), show.legend = FALSE) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000),


purr = ggplot() +
 purrr::map(1:nrow(fit), ~ geom_function(fun = function(x) exp(fit$alpha[.x] + fit$beta[.x] * x))) +
 theme_classic() +
 xlim(0, 10) +
 ylim(0, 1000)

) %>% plot()

---

dplyr

解决方案速度更快。

太好了，谢谢！我不知道我可以使用

map（）

和

ggplot

这样的函数。很高兴知道。太好了，谢谢！我不知道我可以使用

map（）

和

ggplot

这样的函数。很高兴知道。谢谢你的意见。这是可行的，但我觉得@stefan方法更简单。好吧，很公平。如果你对时间效率感兴趣，我会更新我的答案，让你看到不同之处。谢谢你的意见。这是可行的，但我觉得@stefan方法更简单。好吧，很公平。如果你对时间效率感兴趣，我会更新我的答案，让你看到不同之处。