Uso di ~ (tilde) nel linguaggio di programmazione R

Ho visto in un tutorial sulla modellazione della regressione il seguente comando:

myFormula <- Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width

Cosa fa esattamente questo comando e qual è il ruolo di ~(tilde) nel comando?

La cosa a destra di <-è un formulaoggetto. Viene spesso usato per indicare un modello statistico, in cui la cosa a sinistra della ~è la risposta e le cose a destra della ~sono le variabili esplicative. Quindi in inglese diresti qualcosa del tipo "Le specie dipendono da Lunghezza sepale, Larghezza sepale, Lunghezza petalo e Larghezza petalo" .

La myFormula <-parte di quella riga memorizza la formula in un oggetto chiamato in myFormulamodo da poterla utilizzare in altre parti del codice R.

Altri usi comuni degli oggetti formula in R

Il latticepacchetto li usa per specificare le variabili da tracciare .
Il ggplot2pacchetto li utilizza per specificare i pannelli per la stampa .
Il dplyrpacchetto li usa per l'evaulazione non standard .

R definisce un ~operatore (tilde) da utilizzare nelle formule. Le formule hanno tutti i tipi di usi, ma forse il più comune è per la regressione:

library(datasets)
lm( myFormula, data=iris)

help("~")o help("formula")ti insegnerà di più.

@Spacedman ha trattato le basi. Discutiamo come funziona.

Innanzitutto, essendo un operatore, nota che si tratta essenzialmente di un collegamento a una funzione (con due argomenti):

> `~`(lhs,rhs)
lhs ~ rhs
> lhs ~ rhs
lhs ~ rhs

Ciò può essere utile da sapere, ad esempio apply, per i comandi familiari.

In secondo luogo, puoi manipolare la formula come testo :

oldform <- as.character(myFormula) # Get components
myFormula <- as.formula( paste( oldform[2], "Sepal.Length", sep="~" ) )

Terzo, puoi manipolarlo come un elenco :

myFormula[[2]]
myFormula[[3]]

Infine, ci sono alcuni trucchi utili con le formule (vedi help("formula")di più):

myFormula <- Species ~ . 

Ad esempio, la versione precedente è la stessa della versione originale, poiché il punto indica "tutte le variabili non ancora utilizzate". Questo esamina il data.frame che usi nella tua eventuale chiamata del modello, vede quali variabili esistono nel data.frame ma non sono esplicitamente menzionate nella tua formula e sostituisce il punto con quelle variabili mancanti.