Buenisimo! Aqui una alternative con group_map() #1
Description
Gracias Julio por la presentacion de hoy. Me encanta purrr y me alegro muchisimo que lo hayas promocionado tan bien :)
Tus ejemplos me recordaron a group_map(). Estoy intentando aprender este nuevo approach asi que busco toda excusa posible para ponerla en practica. Y este parece un buen caso.
Este ejemplo es sacado directamente de ?group_map():
library(tidyverse)
library(broom)
library(datasets)
iris %>%
group_by(Species) %>%
group_map(~ broom::tidy(lm(Petal.Length ~ Sepal.Length, data = .x)))
#> # A tibble: 6 x 6
#> # Groups: Species [3]
#> Species term estimate std.error statistic p.value
#> <fct> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 setosa (Intercept) 0.803 0.344 2.34 2.38e- 2
#> 2 setosa Sepal.Length 0.132 0.0685 1.92 6.07e- 2
#> 3 versicolor (Intercept) 0.185 0.514 0.360 7.20e- 1
#> 4 versicolor Sepal.Length 0.686 0.0863 7.95 2.59e-10
#> 5 virginica (Intercept) 0.610 0.417 1.46 1.50e- 1
#> 6 virginica Sepal.Length 0.750 0.0630 11.9 6.30e-16
iris %>%
group_by(Species) %>%
group_map(~ broom::glance(lm(Petal.Length ~ Sepal.Length, data = .x)))
#> # A tibble: 3 x 12
#> # Groups: Species [3]
#> Species r.squared adj.r.squared sigma statistic p.value df logLik
#> <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <int> <dbl>
#> 1 setosa 0.0714 0.0520 0.169 3.69 6.07e- 2 2 18.9
#> 2 versic~ 0.569 0.560 0.312 63.3 2.59e-10 2 -11.7
#> 3 virgin~ 0.747 0.742 0.281 142. 6.30e-16 2 -6.37
#> # ... with 4 more variables: AIC <dbl>, BIC <dbl>, deviance <dbl>,
#> # df.residual <int>Created on 2019-04-25 by the reprex package (v0.2.1)
.
(cc' @FvD porque se que te gusta do() -- a mi tambien, pero creo que la estan abandonando poco a poco)
Use group_map() when summarize() is too limited, in terms of what you need to do and return for each group. group_map() is good for "data frame in, data frame out". If that is too limited, you need to use a nested or split workflow.
group_map() and group_walk() are an evolution of do(), if you have used that before.