Map（purrr）将一系列数字逐个添加到列中

Question

我有一个R数据框，它有两列colA和colB以及一个合适的glm对象。 现在，我可以使用预测数据框和glm对象来预测结果。然而，我也想预测colB + 0.1，colB + 0.2，colB + 0.3等的结果。

我正在考虑用map（purrr包）来做这件事，但我不知道如何。什么到目前为止，我已经试过是创造一个向量：

library(tibble) 
range <- data_frame(colC = seq(-1, 1, by=0.1)) 

现在我无法弄清楚如何做到：

1. COLC的第一个元素添加到COLB
的所有元素
2. 然后预测（）上可乐COLB与GLM对象
3. 集团这一结果由可乐，并将其保存到新的矢量
4. 重复1-3中COLC下一元素并将结果附加到新的载体，所以这个新的vect或者有colC和预测并分组的colB。

我希望我的问题很清楚。任何人都知道如何做到这一点？ 顺便说一下，它不需要与purrr。

Answer 1

我已经使用函数创建了一个简单的解决方案，以便您可以对任何数据帧（data）和任何添加值序列（add）对“colB”执行此操作。

# data has a column named 'colB' from which we cant to predict with added values. 
# add is the vector of adding values to colB 
'glm_add' <- function(data, add = seq(0.1, by = 0.1, length.out = nrow(data))){ 
    data <- cbind.data.frame(data, colB_add = data$colB + add) 

    glm <- glm(colA ~ colB, data = data) 
    glm_add <- glm(colA ~ colB_add, data = data) 

    pred <- predict(glm, data) 
    pred_add <- predict(glm_add, data) 

    return(list(pred = pred, pred_add = pred_add)) 
} 

重现的实例以测试功能：从与最初的 “COLB” 的GLM

data <- data.frame(colA = rnorm(10), colB = rnorm(10)) 
res <- glm_add(data) 

预测作为协变量：从与COLB + 0.1 GLM

> res$pred : 
     1   2   3   4   5   6   7   8   9   10 
0.13415502 0.17283282 0.27074470 0.47279826 0.01846426 0.13072748 0.21737383 0.12426569 0.25197290 0.30230644 

预测，colB + 0.2，colB + 0.3，...作为协变量：

> res$pred_add 
      1   2   3   4   5   6   7   8   9   10 
0.19407251 0.23911968 0.39659313 0.75172751 -0.13896182 0.04575049 0.18184197 -0.02324061 0.19078440 0.25795416 

---

编辑：

作者实际问从那里colB_add已它的每个元素中加入相同的值0.1，则0.2的任何修改的数据帧来预测，等等

要做到这一点，我将使用lapply()创建一个data_list，其中每个元素都是具有适当的colB_add列的数据帧。

add <- seq(0.1, by = 0.1, length.out = nrow(data)) 
data_list <- lapply(1:length(add), function(i) cbind.data.frame(data, colB_add = data$colB + add[i])) 

然后，我把每一个预测到一个列表

pred_list <- list() 
> lapply(1:length(add), function(x){ 
+ glm <- glm(colA ~ colB_add, data = data_list[[x]]) 
+ pred_list[[x]] <<- predict(glm, data_list[[x]]) 
+ }) 
[[1]] 
      1   2   3   4   5   6   7   8   9   10 
-0.25321920 0.93795112 -0.04791986 -0.51229077 -0.20971718 0.36441752 0.38477508 -0.26853199 -0.00754999 0.04868279 

[[2]] 
      1   2   3   4   5   6   7   8   9   10 
-0.25321920 0.93795112 -0.04791986 -0.51229077 -0.20971718 0.36441752 0.38477508 -0.26853199 -0.00754999 0.04868279 

[[3]] 
      1   2   3   4   5   6   7   8   9   10 
-0.25321920 0.93795112 -0.04791986 -0.51229077 -0.20971718 0.36441752 0.38477508 -0.26853199 -0.00754999 0.04868279 

请注意，这给每个被修改的数据帧中的相同的预测。这从线性模型的理论上是显而易见的，因为每个协变量都以相同的因子变化。