Pese al
título, esta entrada solo pretende intentar explicar las funcionalidades de una
data tipo nest. Las próximas líneas presentan un
marco de datos, que es una forma tradicional de una base de datos (no requiere explicación)
y un nest data, en esta última agrupamos por
variable/clase haciendo un collapse o summarise de la data donde variables/clases
pasan a ser el id de la data. Posteriormente, las próximas
celdas funcionan como lista, por ende, en ella podemos guardar diversos tipos
de objetos, sin importar su dimensión y recuperar estos objetos adelante, sin
necesidad de crear nuevos objetos y manteniendo una mejor organización.
# Marco de datos
+ head(iris)
Sepal.Length Sepal.Width Petal.Length Petal.Width
Species
1 5.1 3.5 1.4 0.2
setosa
2 4.9 3.0 1.4 0.2
setosa
3 4.7 3.2 1.3 0.2
setosa
4 4.6 3.1 1.5 0.2
setosa
5 5.0 3.6 1.4 0.2
setosa
6 5.4 3.9 1.7 0.4
setosa
# nest data
> iris %>%
+ group_by(Species) %>%
+ nest()
# A tibble: 3 x 2
Species data
<fct> <list>
1 setosa
<tibble [50 x 4]>
2 versicolor <tibble [50 x 4]>
3 virginica
<tibble [50 x 4]>
Ahora
se utiliza la función vectorizada (lapply) para estimar un modelo de regresión
que se aplicara para cada una de los grupos de especies disponibles den la
data:
nestdata
<- iris %>%
group_by(Species) %>%
nest() %>%
mutate(suma = lapply(data, function(x)
sum(x[[1]])),
MCO_model = lapply(data, function(x)
lm(Sepal.Length ~ Petal.Length, data = x)))
nestdata
nestdata
# A
tibble: 3 x 4
Species
data suma MCO_model
<fct> <list> <list> <list>
1 setosa
<tibble [50 x 4]> <dbl [1]> <lm>
2 versicolor <tibble [50 x 4]> <dbl
[1]> <lm>
3 virginica
<tibble [50 x 4]> <dbl [1]> <lm>
# equivalente
lm(Sepal.Length
~ Petal.Length, data = iris[Specie== “setosa”
,])
lm(Sepal.Length
~ Petal.Length, data = iris[Specie== “versicolor”,])
lm(Sepal.Length
~ Petal.Length, data = iris[Specie== “virginica” ,])
Al
imprimir la estructura de la data nest se puede notar que en la primera
columna se guarda en cada celda una lista con la información de la data correspondiente
a cada variable y en la columna MCO_model se guardan los resultados de los
modelos marcados como equivalentes:
nestdata$data[[1]]
# A
tibble: 50 x 4
Sepal.Length Sepal.Width Petal.Length
Petal.Width
<dbl> <dbl> <dbl> <dbl>
1
5.1 3.5 1.4 0.2
2
4.9 3 1.4 0.2
3
4.7 3.2 1.3 0.2
4
4.6 3.1 1.5 0.2
5
5 3.6 1.4 0.2
6
5.4 3.9 1.7 0.4
7
4.6 3.4 1.4 0.3
8
5 3.4 1.5 0.2
9
4.4 2.9 1.4 0.2
10 4.9 3.1 1.5 0.1
# ...
with 40 more rows
nestdata$MCO_model[[1]]
Call:
lm(formula
= Sepal.Length ~ Petal.Length, data = x)
Coefficients:
(Intercept)
Petal.Length
4.2132 0.5423
También
las funciones pueden modificarse para agregar otros elementos:
dataness <- iris %>%
group_by(Species) %>%
nest()
%>%
mutate(MCO_model = lapply(data, function(x) lm(Sepal.Length ~
Petal.Length, data = x)),
rediduo = lapply(data,
function(x) lm(Sepal.Length ~ Petal.Length, data = x)$residuals))
dataness
# A tibble: 3 x 4
Species data MCO_model rediduo
<fct>
<list>
<list> <list>
1
setosa <tibble [50 x 4]>
<lm> <dbl [50]>
2
versicolor <tibble [50 x 4]> <lm> <dbl [50]>
3
virginica <tibble [50 x 4]>
<lm> <dbl [50]>
Note
que al hacer un unnest de la data original, podemos
recuperar la data original, pero con el residuo correspondiente a cada regresión
anexado:
resids
<- unnest(dataness, rediduo, data)
resids
# A
tibble: 150 x 6
Species rediduo Sepal.Length Sepal.Width
Petal.Length Petal.Width
<fct> <dbl> <dbl> <dbl> <dbl> <dbl>
1 setosa
0.128 5.1 3.5 1.4 0.2
2 setosa
-0.0724 4.9 3 1.4 0.2
3 setosa
-0.218 4.7 3.2 1.3 0.2
4 setosa
-0.427 4.6 3.1 1.5 0.2
5 setosa
0.0276 5 3.6 1.4 0.2
6 setosa
0.265 5.4 3.9 1.7 0.4
7 setosa
-0.372 4.6 3.4 1.4 0.3
8 setosa
-0.0266 5 3.4 1.5 0.2
9 setosa
-0.572 4.4 2.9 1.4 0.2
10
setosa -0.127 4.9 3.1 1.5 0.1
# ...
with 140 more rows
resids
%>%
ggplot(aes(x=Petal.Length, y=rediduo, group =
Species)) +
geom_point() +
geom_hline(yintercept=0,col="red")
+
facet_wrap(~Species, nrow = 1, scales =
"free_x")
Referencias
-
An, S. (2017). Linear regression and residuals. In:
http://rstudio-pubs-static.s3.amazonaws.com/310380_07eebbdd4fac48aba8399c738ae0c31d.html.
-
Barrett, Tyson. List-columns in data.table: Nesting
and unnesting data 2 tables and vectors. Utah State University.
-
Dancho, Matt (2018). Forecasting Time Series Groups in
the tidyverse. In:
https://cran.rstudio.com/web/packages/sweep/vignettes/SW01_Forecasting_Time_Series_Groups.html.
