R：存储回归模型

Question

我正在使用多个回归模型来建模问题，例如一周中的每一天。我想将这些存储在 R 中的数据结构中，以便在需要时调用它们。作为问题的一个最小示例，假设我想为z 的每个值构造一个：

df = data.frame(z = rep(c('a', 'b'), each = 10),
            x = rep.int(1:10, times = 2), 
            y = rep.int(10:1, times = 2))

天真地，我尝试了以下尝试：

dt = data.table(df)

v.type = unique(dt$z)
v.loess = numeric(0)

for(i in v.type)
  v.loess = c(v.loess, loess(y ~ x, data = dt[z==i]))

dt.loess = data.table(type = v.type, model = v.loess)

给定例如type = a 和 x = 2.5，当时的想法是运行这样的东西：

predict(dt.loess[z == 'a', 'model', with = FALSE], newdata = 2.5)

这个方法彻底失败了。任何帮助表示赞赏。

Answer 1

loess() 返回一个 loess 类的 S3 对象。这些对象在内部表示为列表，如果您在它们上调用str()，您可以看到什么。

现在您的解决方案失败主要有两个原因：

1234563 .然后你尝试将此列表保存为data.table 中的列。

1. 我不明白您为什么要将模型最终存储在 data.table 中，但我几乎可以肯定，这是无法做到的，因为列元素必须是（如据我记得）原子向量或列表。我宁愿将模型存储在命名列表中并留在那里。

---

使用基础 R 的解决方案

model <- list()
for( i in unique(dt$z) ){
  model[[i]] <- loess(y ~ x, data = dt[ z==i ] )
}

使用 plyr 的解决方案

library("plyr")
model <- dlply( df, "z", function(data){
  loess( y ~ x, data = data )
} )

甚至更短：

library("plyr")
model <- dlply( df, "z", loess, formula = quote(y ~ x) )

后两种解决方案可以同时应用于data.table 和data.frame，但在这种情况下您不会利用data.table 的任何优势。所以你最终必须决定什么更快，更不容易出错。

---

在所有三种情况下，您都可以调用

predict( model[["a"]], newdata = 2.5)
[1] 8.5

Answer 2

一方面，使用c 组合结果会产生有趣的结果；最好直接填写清单。另一方面，使用data.table 获取结果很棘手；我不是data.table 专家，所以我会直接使用列表中的结果。

v.type = unique(df$z)
v.loess = list()
for(i in v.type) {
  v.loess[[i]] <- loess(y ~ x, data = df[df$z==i,])
}
predict(v.loess$a, newdata=2.5)
predict(v.loess$b, newdata=2.5)