Использование dplyr для выполнения бутстраповных репликаций

Мне интересно использовать dplyr для создания бутстраповных репликаций (повторные анализы, где данные сначала сэмплируются с заменой каждый раз). Hadley Wickham здесь содержит некоторый код для повторения загрузочных анализов эффективным способом:

bootstrap <- function(df, m) {
  n <- nrow(df)

  attr(df, "indices") <- replicate(m, sample(n, replace = TRUE), 
    simplify = FALSE)
  attr(df, "drop") <- TRUE
  attr(df, "group_sizes") <- rep(n, m)
  attr(df, "biggest_group_size") <- n
  attr(df, "labels") <- data.frame(replicate = 1:m)
  attr(df, "vars") <- list(quote(boot)) # list(substitute(bootstrap(m)))
  class(df) <- c("grouped_df", "tbl_df", "tbl", "data.frame")

  df
}

library(dplyr)
mboot <- bootstrap(mtcars, 10)

# Works
mboot %.% summarise(mean(cyl))

Хотя эта функция хорошо работает для summarise, она не работает для do, когда do содержит файл data.frame. (Представьте себе, что data.frame содержит что-то полезное, такое как результаты анализа, который мы хотим загрузить).

bootstrap(mtcars, 3) %>% do(data.frame(x=1:2))
# Error: index out of bounds

с трассировкой

11: stop(list(message = "index out of bounds", call = NULL, cppstack = NULL))
10: .Call("dplyr_grouped_df_impl", PACKAGE = "dplyr", data, symbols, 
        drop)
9: grouped_df_impl(data, unname(vars), drop)
8: grouped_df(cbind_list(labels, out), groups)
7: label_output_dataframe(labels, out, groups(.data))
6: do.grouped_df(`bootstrap(mtcars, 3)`, data.frame(x = 1:2))
5: do(`bootstrap(mtcars, 3)`, data.frame(x = 1:2))
4: eval(expr, envir, enclos)
3: eval(e, env)
2: withVisible(eval(e, env))
1: bootstrap(mtcars, 3) %>% do(data.frame(x = 1:2))

Мне удалось обойти это, выполнив два шага do и группу:

bootstrap(mtcars, 10) %>% do(d=data.frame(x=1:2)) %>% group_by(replicate) %>% do(.$d[[1]])

но это, похоже, требует много дополнительных и несколько неуклюжих шагов (а также получает предупреждение, Grouping rowwise data frame strips rowwise nature). Я также знаю, что я мог бы реплицировать данные в десять повторений сначала с чем-то вроде

data.frame(boot=1:10) %>% group_by(boot) %>% do(sample_n(mtcars, nrow(mtcars), replace=TRUE))

но если данные или количество реплик bootstrap велики, это крайне неэффективно в памяти.

Есть ли способ, возможно, изменив функцию настройки bootstrap, чтобы я мог выполнять эти репликации с помощью bootstrap(mtcars, 3) %>% do(data.frame(x = 1:2))?

Ответ 1

Я думаю, что это небольшая ошибка в функции bootstrap. Атрибут vars должен соответствовать имени столбца в data.frame в атрибуте labels. Но в функции атрибут vars называется "boot", а имя столбца replicate. Итак, если вы сделаете это незначительное изменение:

bootstrap <- function(df, m) {
  n <- nrow(df)

  attr(df, "indices") <- replicate(m, sample(n, replace = TRUE), 
                                   simplify = FALSE)
  attr(df, "drop") <- TRUE
  attr(df, "group_sizes") <- rep(n, m)
  attr(df, "biggest_group_size") <- n
  attr(df, "labels") <- data.frame(replicate = 1:m)
  attr(df, "vars") <- list(quote(replicate)) # Change
#  attr(df, "vars") <- list(quote(boot)) # list(substitute(bootstrap(m)))
  class(df) <- c("grouped_df", "tbl_df", "tbl", "data.frame")

  df
}

Затем он работает так, как ожидалось:

bootstrap(mtcars, 3) %>% do(data.frame(x=1:2))
# Source: local data frame [6 x 2]
# Groups: replicate

#   replicate x
# 1         1 1
# 2         1 2
# 3         2 1
# 4         2 2
# 5         3 1
# 6         3 2