使用if else条件将模型拟合到分组数据

Question

为了简化再现性，我使用goats数据集来自ResourceSelection数据集，该数据集具有用于山羊的二手（STATUS == 1）和'可用'（STATUS == 0）GPS位置的空间数据。 ID用于个体（n = 10）和ELEVATION，...，TASP是这些点的属性。

library(ResourceSelection)
head(goats)
  STATUS ID ELEVATION   SLOPE       ET   ASPECT       HLI      TASP
1      1  1       651 38.5216  35.3553 243.1131 0.9175926 0.9468804
2      1  1       660 39.6927  70.7107 270.0000 0.8840338 0.6986293
3      1  1       316 20.5477  50.0000 279.2110 0.7131423 0.5749115
4      1  1       334 34.0783  35.3553 266.1859 0.8643775 0.7447368
5      1  1       454 41.6187  25.0000 258.3106 0.9349181 0.8292587
6      1  1       343 28.4694 103.0776 237.0426 0.8254866 0.9756112

我想为glm（下面创建）分组的每个人拟合Season，但模型结构根据季节而有所不同。我一直在使用一些有用的SO posts和其他resources但他们都适合每个组的单一模型，因为我想为每个Season分组适合不同的模型。

#Add a new `Season` field 
library(tidyverse)

goats <- goats %>% 
  mutate(Season = if_else(ID %in% 1:3, "Summer",
                          if_else(ID %in% 4:7, "Winter", "Fall")))

下面我创建一个模型构建函数，并使用if else指定每个季节特定的模型。

SeasonalMods <- function(df) {
  #Models for Archery
  if(Season == "Summer") {
    glm(STATUS ~ SLOPE + I(SLOPE^2), data = df)
  #Models for Winter  
  } else if (Season == "Winter") {
    glm(STATUS ~ SLOPE + ASPECT + TASP, data = df)
  #Models for Fall
   } else if (Season == "Fall") {
    glm(STATUS ~ ELEVATION + SLOPE + ET + ASPECT + HLI + TASP, data = df)}
  }

然后我尝试将函数映射到分组数据并创建新的列表列，如下所示。

ModelFits <- goats %>%
  group_by(Season, ID) %>% 
  nest() %>% 
  mutate(fits = map(data, SeasonalMods),
         tidied = map(fits, tidy),
         glanced = map(fits, glance),
         augmented = map(fits, augment))

这会产生以下错误：

Error in mutate_impl(.data, dots) : 
  Evaluation error: object 'Season' not found

我不确定如何在Season函数中正确指定SeasonalMods，以便map()可以解释它。

我试图在df$和Season语句中在if前添加else if，但这也会产生错误。

Answer 1

在我建议使用modelr后，我没有它就继续前进。就像我上面说的那样，你的函数SeasonalMods不知道Season是数据框中的一个列，它作为一个参数，所以你会得到它未定义的错误。换句话法的一种方法是在函数中添加第二个参数以获取季节。由于您正在嵌套数据，现在很容易将数据和季节传递给建模函数。我正在使用map2，因为列data和Season长度相同。

library(tidyverse)
library(broom)

这个函数的所有内部都是相同的 - 我只添加了第二个参数。

SeasonalMods <- function(df, Season) {
  ...
}

为了说明您使用的broom函数，我添加了tidied列，并保存此数据框：

models <- goats %>%
  group_by(Season, ID) %>%
  nest() %>%
  mutate(fits = map2(data, Season, ~SeasonalMods(.x, .y))) %>%
  mutate(tidied = map(fits, tidy))

head(models)
#> # A tibble: 6 x 5
#>   Season    ID data                 fits      tidied          
#>   <chr>  <int> <list>               <list>    <list>          
#> 1 Summer     1 <tibble [2,106 × 7]> <S3: glm> <tibble [3 × 5]>
#> 2 Summer     2 <tibble [1,668 × 7]> <S3: glm> <tibble [3 × 5]>
#> 3 Summer     3 <tibble [1,539 × 7]> <S3: glm> <tibble [3 × 5]>
#> 4 Winter     4 <tibble [951 × 7]>   <S3: glm> <tibble [4 × 5]>
#> 5 Winter     5 <tibble [1,908 × 7]> <S3: glm> <tibble [4 × 5]>
#> 6 Winter     6 <tibble [2,184 × 7]> <S3: glm> <tibble [4 × 5]>

只是为了检查模型是否有不同季节的不同公式：

models$fits[[1]]
#> 
#> Call:  glm(formula = STATUS ~ SLOPE + I(SLOPE^2), data = df)
#> 
#> Coefficients:
#> (Intercept)        SLOPE   I(SLOPE^2)  
#>   -0.042618    -0.000989     0.000375  
#> 
#> Degrees of Freedom: 2105 Total (i.e. Null);  2103 Residual
#> Null Deviance:       468 
#> Residual Deviance: 337.2     AIC: 2127

models$fits[[6]]
#> 
#> Call:  glm(formula = STATUS ~ SLOPE + ASPECT + TASP, data = df)
#> 
#> Coefficients:
#> (Intercept)        SLOPE       ASPECT         TASP  
#>    0.024625     0.017838    -0.001768     0.215217  
#> 
#> Degrees of Freedom: 2183 Total (i.e. Null);  2180 Residual
#> Null Deviance:       485.3 
#> Residual Deviance: 385.7     AIC: 2421