我适合这样的模型
groupedTrainingSet = group_by(trainingSet, geo);
models = do(groupedTrainingSet, mod = lm(revenue ~ julian, data=.))
grouptedTestSet = group_by(testSet, geo);
// TODO: apply model back to test set
模型看起来像
geo mod
1 APAC <S3:lm>
2 LATAM <S3:lm>
3 ME <S3:lm>
7 ROW <S3:lm>
4 WE <S3:lm>
5 NA <S3:lm>
我想我应该可以申请&#39;做&#39;但是我没有看到它......或者我可以按照
的方式做点什么apply(trainingData, fitted =
predict(select(models, geo==geo)$mod, .));
但我不确定那里的语法。
答案 0 :(得分:8)
根据@ Mike.Gahan使用的方法,这是获得类似答案的dplyr
方法:
library(dplyr)
iris.models <- iris %>%
group_by(Species) %>%
do(mod = lm(Sepal.Length ~ Sepal.Width, data = .))
iris %>%
tbl_df %>%
left_join(iris.models) %>%
rowwise %>%
mutate(Sepal.Length_pred = predict(mod,
newdata = list("Sepal.Width" = Sepal.Width)))
如果您创建预测函数,则可以一步完成:
m <- function(df) {
mod <- lm(Sepal.Length ~ Sepal.Width, data = df)
pred <- predict(mod,newdata = df["Sepal.Width"])
data.frame(df,pred)
}
iris %>%
group_by(Species) %>%
do(m(.))
答案 1 :(得分:4)
不确定这里有问题,但我认为data.table
包在这里效率特别高。
#Load data.table package
require(data.table)
iris <- data.table(iris)
#Make a model for each species group
iris.models <- iris[, list(Model = list(lm(Sepal.Length ~ Sepal.Width))),
keyby = Species]
#Make predictions on dataset
setkey(iris, Species)
iris[iris.models, prediction := predict(i.Model[[1]], .SD), by = .EACHI]
(对于data.table
版本&lt; = 1.9.2省略by = .EACHI
部分)