按id构建线性/非线性分组模型摘要表、关联数据并完成预测的实现方法
R分组建模、关联与预测实现方案
构造模型摘要表
你可以用tidyverse生态的嵌套数据框方案(通用性更强),也可以用nlme::lmList快速实现线性模型的分组建模:
首先先构造示例数据:
library(tidyverse) library(nlme) # 导入示例数据 df <- data.frame( id = rep(c("a", "b", "c"), c(5, 4, 6)), x = c(1,8,6,2,9, 5,1,1,6,10, 9,12,2,4,5), y = c(2,16,12,4,18, 10,2,2,12,20, 18,24,4,8,10) )
方法1:tidyverse嵌套建模(支持所有模型类型)
# 按id分组生成每个组的模型,输出id+对应模型的摘要表 model_df <- df %>% # 按id分组,把每个id的所有数据打包成嵌套列 nest(data = -id) %>% # 对每个分组的数据单独拟合线性模型 mutate(lm_model = map(data, ~lm(y ~ x, data = .x))) %>% # 可选:移除原始数据列,只保留id和模型列 select(id, lm_model)
方法2:lmList快速实现线性分组建模
# 直接按id分组拟合线性模型 lm_list <- lmList(y ~ x | id, data = df) # 转成id+模型的结构化表 model_df_lmList <- data.frame( id = names(lm_list), lm_model = I(lm_list) )
关联模型表到业务数据
直接用左连接即可把模型匹配到所有带id列的数据集,包括你给出的原数据,或者其他包含id、x列的新数据集:
# 关联模型到原数据,生成每行带对应id模型的数据集 df_with_model <- df %>% left_join(model_df, by = "id")
输出结果和你给出的示例结构完全一致,每行都携带了对应id的线性模型对象。
基于对应模型预测y值
直接调用predict函数,对每行的x值和对应模型做预测即可:
df_with_pred <- df_with_model %>% mutate( # 传入每行的模型和x值,输出预测的y值 pred_y = map2_dbl(lm_model, x, ~predict(.x, newdata = data.frame(x = .y))) )
你给出的示例数据中y和x是严格的2倍线性关系,最终预测的pred_y会和原始y完全一致。
方案拓展到其他模型
该方案完全支持knn3、loess等所有R模型,仅需要修改建模环节的函数即可:
loess模型示例
model_df_loess <- df %>% nest(data = -id) %>% # 替换建模函数为loess mutate(loess_model = map(data, ~loess(y ~ x, data = .x))) %>% select(id, loess_model) # 关联预测逻辑和线性模型完全一致 df_with_loess_pred <- df %>% left_join(model_df_loess, by = "id") %>% mutate(pred_y = map2_dbl(loess_model, x, ~predict(.x, newdata = data.frame(x = .y))))
knn3分类模型示例
library(caret) # 构造分类示例数据,y转为因子 df_class <- df %>% mutate(y = factor(ifelse(y > 10, "high", "low"))) model_df_knn <- df_class %>% nest(data = -id) %>% # 替换建模函数为knn3 mutate(knn_model = map(data, ~knn3(y ~ x, data = .x, k = 3))) %>% select(id, knn_model) # 关联预测 df_with_knn_pred <- df_class %>% left_join(model_df_knn, by = "id") %>% mutate(pred_class = map2_chr(knn_model, x, ~predict(.x, newdata = data.frame(x = .y), type = "class")))
内容的提问来源于stack exchange,提问作者AntPalmer
相关产品推荐
相关产品推荐

