如何为NHL轮换数据生成哑变量并构建泊松GAM模型？

我来帮你搞定这个问题——从自动生成球员哑变量到动态构建模型公式，全程用tidyverse和mgcv实现，完美解决你提到的!!和符号拼接的使用需求：

第一步：加载依赖包 #

首先确保你安装并加载了需要的工具包：

install.packages(c("tidyverse", "mgcv"))
library(tidyverse)
library(mgcv)

第二步：自动生成球员哑变量 #

手动创建每个球员的哑变量太繁琐，我们用map_dfc批量处理，不管后续球员数量多少都能自动适配：

# 你的原始轮换数据
data <- tibble( 
  shift_id = c(1, 2, 3, 4, 5, 6, 7, 8,9,10), 
  shift_duration = c(12, 7, 30, 11, 14, 16, 19, 32,11,12), 
  goal_for = c(1, 1, 0, 0, 1, 1, 0, 0,0,0), 
  for_players = list( c("A", "B"), c("A", "C"), c("B", "C"), c("A", "C"), c("B", "C"), c("A", "B"), c("B", "C"), c("A", "B"), c("B", "C"), c("A", "B") ), 
  against_players = list( c("X", "Z"), c("Y", "Z"), c("X", "Y"), c("X", "Y"), c("X", "Z"), c("Y", "Z"), c("X", "Y"), c("Y", "Z"), c("X", "Y"), c("Y", "Z") ) 
)

# 获取所有己方/对方球员的唯一ID
all_for_players <- data$for_players %>% unlist() %>% unique() %>% sort()
all_against_players <- data$against_players %>% unlist() %>% unique() %>% sort()

# 批量生成己方球员哑变量：1表示该球员在本次轮换在场，0则不在
for_dummies <- map_dfc(all_for_players, function(player) {
  data$for_players %>% map_int(~as.integer(player %in% .x)) %>% 
    set_names(str_c("for_player_", player))
})

# 批量生成对方球员哑变量
against_dummies <- map_dfc(all_against_players, function(player) {
  data$against_players %>% map_int(~as.integer(player %in% .x)) %>% 
    set_names(str_c("against_player_", player))
})

# 合并得到最终建模用数据集
model_data <- data %>% 
  select(-for_players, -against_players) %>% 
  bind_cols(for_dummies, against_dummies)

运行这段代码后，你就能得到和示例完全一致的model_data。

第三步：动态构建GAM模型公式（用到!!） #

手动写所有球员变量太容易出错，我们用tidyeval语法动态生成公式，完美匹配你的需求：

# 整理所有需要纳入模型的球员变量
model_terms <- c(
  str_c("for_player_", all_for_players),
  str_c("against_player_", all_against_players)
)

# 用tidyeval构建公式：!!! 用来解包变量列表，把符号直接插入公式
gam_formula <- goal_for ~ offset(log(shift_duration)) + !!!syms(model_terms)

# 拟合泊松GAM模型
mod.gam <- mgcv::gam(
  data = model_data,
  formula = gam_formula,
  family = poisson(link = log)
)

这里的syms()把字符串转换成R的符号对象，!!!（unquote-splice）则把这些符号直接插入到公式中，实现了完全动态的公式构建。

第四步：查看模型结果 #

运行以下命令就能得到你示例中的模型输出：

summary(mod.gam)

结果小说明 #

你会看到部分系数显示为NA，这是因为球员阵容存在完全共线性：比如每次轮换都有2名己方球员在场，三个己方哑变量的和恒为2，模型会自动剔除冗余变量（比如for_player_A和against_player_Y），这是正常现象，mgcv会自动处理这种情况，不需要手动剔除。

内容的提问来源于stack exchange，提问作者Zoltan