Je tente de simuler des valeurs ajustées pour des modèles changeants de différents sous-groupes de mes données, qui sont à nouveau basés sur un échantillonnage aléatoire d'un autre sous-ensemble de mon cadre de données original (l'exemple minimal que j'ai créé pour cette question ignore l'échantillonnage aléatoire, etc., ce qui donne des valeurs ajustées identiques pour toutes les simulations, mais cela n'a pas d'importance). J'ai écrit un code dplyr pour stocker le modèle pour chaque groupe, produire de nouvelles valeurs x pour prédire les valeurs ajustées, les prédire etc. etc. Cela donne une colonne de valeurs ajustées, exactement comme je le veux. Cependant, j'aimerais parcourir tout le processus 1000 fois. Je peux bien sûr le faire avec une boucle for (comme c'est fait ci-dessous dans l'exemple), mais y a-t-il une possibilité de faire cela dans une ligne de traitement dplyr ? Et peut-être accélérer un peu tout le processus (mon jeu de données original est plutôt grand et la boucle for prend une éternité) ?
# making up data
dat <- data.frame("species" = seq(1:20), "col_A" = runif(20, min=1000, max=2500), "col_B" = runif(20, min = 0, max = 1500),
"maximum" = rep(2500, 20), "minimum" = rep(1000, 20), groups = rep(LETTERS[1:5], each = 4))
# functions to use with purrr
linear_mod <- function(dat) {
lm(col_A ~ col_B, data = dat)
}
# define parametres and an empty data frame to use in the for loop
runs <- 10
fitted_sim <- data.frame(matrix(data=NA,nrow=20,ncol=runs+1,byrow=FALSE)) #empty dataframe to contain fitted values for each alt
names(fitted_sim) <- as.factor(seq(1:runs+1))
# for-loop around my dplyr-code
for (j in 1:runs){
simul <- dat %>%
group_by(groups) %>%
nest(data = c(col_A, col_B, species)) %>%
mutate(model = map(data, linear_mod), # add model for every group
sim_data = list(seq(minimum, maximum, by = 10))) %>% # define new x-values for later predictions
unnest(sim_data) %>%
nest(sim_data = sim_data) %>%
mutate(fitted = map2(model, sim_data, ~predict(.x, col_B = sim_data, type = "response")), # predict values
unnest(fitted) # unnest predicted values to save in data frame
# save newly fitted values in fitted_sim data frame
fitted_sim[,1] <- simul$groups
fitted_sim[,1+j] <- simul$fitted
}Merci pour chaque indice!
EDIT: Il s'agit d'un code d'exemple étendu comprenant l'échantillonnage aléatoire décrit ci-dessus mais omis dans mon premier exemple:
# for-loop around my dplyr-code
for (j in 1:runs) {
simul <- dat %>%
group_by(groups) %>%
rowwise() %>%
mutate(vector_column = case_when(abs(col_A) == (maximum-minimum) ~ list(col_B),
sign(col_A) == 1 ~ list(dat$col_B[dat$col_B <= maximum - col_A]), # using list function to store vectors in a data.frame
sign(col_A) != 1 ~ list(dat$col_B[dat$col_B >= minimum + col_A])),
helper = !is_empty(vector_column), # in case some of the vectors are empty so it is not possible to use sample
col_B_new = ifelse(helper, sample(vector_column, 1), NA),
helper = NULL,
sim_data = list(seq(minimum, maximum, by = 10))) %>% # define new x-values for later predictions
ungroup() %>% # get rid of rowwise()
group_by(groups) %>%
unnest(sim_data) %>%
nest(sim_data = sim_data) %>%
nest(data = c(col_A, col_B, col_B_new, species)) %>%
mutate(model = map(data, linear_mod),
fitted = map2(model, sim_data, ~predict(.x, col_B_new = sim_data, type = "response"))) %>% # predict values
unnest(fitted) # unnest predicted values to save in data frame
# save newly fitted values in fitted_sim data frame
fitted_sim[,1] <- simul$groups
fitted_sim[,1+j] <- simul$fitted
}
