R中使用case_when为嵌套数据框追加模型附加向量及多模型写法优化

原有代码的常见问题 #

• 原代码中case_when分支直接赋值并列多元素list("year", "hour")的写法不符合函数返回规则：case_when要求所有分支返回同结构、同长度的结果，这种写法会把单分组的两个附加项拆成两个平行的列表元素，导致后续数据结构错位。
• 硬写长串case_when分支维护17-20组规则时，容易出现判断条件重叠、漏写默认分支导致NA值的问题。

可直接复用的实现流程 #

• 第一步：规范附加项字段的存储结构
  把每个分组对应的附加变量存为单元素list，元素本身是字符向量，修正后的赋值代码如下：

library(tidyverse)
library(purrr)
library(nycflights13)

flights <- sample_n(flights, 1000)
nested <- flights %>% group_by(origin, dest) %>% nest()

# 修正add_in的结构：每个分支返回长度为1的list，内部存对应分组的附加变量向量
nested <- nested %>% 
  mutate(
    add_in = case_when(
      origin == "EWR" & dest == "CVG" ~ list(c("year", "hour")),
      origin == "EWR" & dest == "LAX" ~ list(c("year", "dep_delay")),
      # 为未匹配到的分组设置默认空附加项，避免NA报错
      .default = list(c())
    )
  )

• 第二步：批量拼接无语法错误的完整回归公式
  用update函数基于固定基础公式生成对应分组的完整公式，避免硬拼字符串出现公式语法错误：

# 公式拼接辅助函数
build_full_formula <- function(base_rhs, extra_vars) {
  base_formula <- as.formula(paste("airtime ~", base_rhs))
  if (length(extra_vars) == 0) {
    return(base_formula)
  }
  # 把附加变量追加到基础公式的右侧项中
  update(base_formula, reformulate(c(attr(terms(base_formula), "term.labels"), extra_vars), response = "airtime"))
}

# 批量生成每个分组的完整公式
nested <- nested %>% 
  mutate(
    full_formula = map(
      .x = add_in,
      .f = ~build_full_formula(base_rhs = "distance + carrier", extra_vars = .x)
    )
  )

• 第三步：批量运行分组回归模型

nested <- nested %>% 
  mutate(
    model = map2(
      .x = data,
      .y = full_formula,
      .f = ~lm(formula = .y, data = .x)
    )
  )

多分组规则的简洁优化方案 #

针对需要配置17-20组不同附加项的场景，不要把所有判断逻辑硬编码在case_when中，可通过独立映射表关联的方式简化维护：

• 先单独建一份分组-附加项的映射表，把所有17-20组的规则统一存在表里，后续增删改规则只需要修改这张表，不需要调整主流程代码：

# 独立维护的映射表，后续补全所有17-20组规则即可
extra_rule_map <- tibble(
  origin = c("EWR", "EWR", "组1origin值", "组2origin值"),
  dest = c("CVG", "LAX", "组1dest值", "组2dest值"),
  add_in = list(c("year", "hour"), c("year", "dep_delay"), c("组1附加变量"), c("组2附加变量"))
)

• 直接通过分组键把映射表和嵌套表做左连接，替换原来的长case_when逻辑：

nested <- nested %>% 
  left_join(extra_rule_map, by = c("origin", "dest")) %>% 
  # 给没有匹配到规则的分组补空向量，避免后续拼接报错
  mutate(add_in = map(add_in, ~if (is.null(.x)) c() else .x))

实现过程中的注意事项 #

• 所有附加变量的列名必须和对应嵌套子数据集的列名完全一致，否则运行模型时会出现找不到对应列的报错。
• 不要用直接拼接字符串的方式生成公式，很容易出现尾部多余+、变量名转义的语法问题，优先使用formula家族的函数做公式更新。
• 列表结构的字段取值时要注意层级，确保取出的是对应分组的所有附加变量集合，不要拆成平行的列表元素造成遍历错位。

内容的提问来源于stack exchange，提问作者Stat.Enthus