You need to enable JavaScript to run this app. 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
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.13 05:09:03