函数内循环执行线性回归，如何将残差存入原DataFrame？

需求是对多个因变量执行线性回归，将每个模型的残差以[因变量名].res作为列名添加到原始数据框中，但执行自定义函数后，原始数据框df并未出现预期的新列。

原始代码如下：

library(tidyverse)
library(stringr)

set.seed(5)
df <- data.frame(
  id = c(1:100),
  age = sample(20:80, 100, replace = TRUE),
  sex = sample(c("M", "F"), 100, replace = TRUE, prob = c(0.7, 0.3)),
  type = sample(letters[1:4], 100, replace = TRUE),
  bmi = sample(15:35, 100, replace = TRUE),
  sbp = sample(75:160, 100, replace = TRUE),
  cat_outcome1 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.68, 0.32)),
  cat_outcome2 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.65, 0.35)),
  cat_outcome3 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.60, 0.40)),
  cat_outcome4 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.45, 0.55)),
  dog_outcome1 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.68, 0.32)),
  dog_outcome2 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.65, 0.35)),
  dog_outcome3 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.60, 0.40)),
  dog_outcome4 = sample(c(0L, 1L), 100, replace = TRUE, prob = c(0.45, 0.55))
)

outcome = colnames(df)[str_detect(colnames(df), "outcome")]

test_function = function(vars_dep, vars_indep, input_data){
  for (z in vars_dep) {
    formula = as.formula(paste0(z, " ~ ", vars_indep))
    
    model = lm(formula, data = input_data, na.action = na.exclude)
    
    # Take the residual from each model, create a new col with the suffix '.res'
    input_data[, paste0(z, ".res")] = residuals(model)
  }
}

原因分析 #

R的函数默认采用传值调用，函数内部的input_data是原始数据框df的副本，对副本的修改不会影响外部的原始数据框。函数执行完毕后，副本被销毁，因此原始df没有变化。

解决方案 #

方案1：让函数返回修改后的数据框 #

修改函数，最后返回处理后的input_data，然后重新赋值给df：

test_function = function(vars_dep, vars_indep, input_data){
  for (z in vars_dep) {
    formula = as.formula(paste0(z, " ~ ", vars_indep))
    model = lm(formula, data = input_data, na.action = na.exclude)
    input_data[, paste0(z, ".res")] = residuals(model)
  }
  # 返回修改后的数据框
  return(input_data)
}

# 调用函数并重新赋值给df
df <- test_function(outcome, "age + sex + bmi + sbp", df)

方案2：使用tidyverse风格的代码（更简洁） #

利用dplyr::across批量处理所有因变量，避免循环，代码更符合tidyverse规范：

df <- df %>%
  mutate(across(all_of(outcome), 
                ~ residuals(lm(.x ~ age + sex + bmi + sbp, data = cur_data())),
                .names = "{col}.res"))

这里all_of(outcome)指定要处理的因变量列，.names = "{col}.res"自动生成带.res后缀的新列名，cur_data()确保lm使用当前数据框的上下文。

方案3：直接修改全局环境的变量（不推荐） #

可以用<<-操作符直接修改全局环境中的df，但这种方式会破坏函数的封装性，容易引发副作用，不建议在生产代码中使用：

test_function = function(vars_dep, vars_indep){
  for (z in vars_dep) {
    formula = as.formula(paste0(z, " ~ ", vars_indep))
    model = lm(formula, data = df, na.action = na.exclude)
    df[, paste0(z, ".res")] <<- residuals(model)
  }
}

test_function(outcome, "age + sex + bmi + sbp")

执行上述任一方案后，df中就会出现cat_outcome1.res、cat_outcome2.res等预期的残差列。

内容的提问来源于stack exchange，提问作者celilati