Broom让模型输出结果更整洁

我就在这里，不离不弃

——A·May

R-94 |T-129

本篇介绍Broom包的主要用途，涉及三个部分，主要参考Broom的小文档，使用方法是vignette(package="Broom")，然后加入相应文档的名称即可，以下内容均为【理解】+【翻译】，如有不当，请留言指出，谢谢(*^▽^*)

第一部分Broom

let's tidy up a bit!

broom包可以将lm/nls/t.test等功能的输出结果转为数据框的形式。

这个包主要提供3个函数，即tidy/augment/glance，其中tidy是将模型的输出结果转为数据框，augment是将模型输出的参数值与模型参数整合到一个表中，而glance，正如其一瞥的意思，是将模型结果中的重要指标转为一行。

参考文档中的示例，如下：

示例1：线性回归

这个是关于mpg和wt的一个线性方程

tidy功能

augment功能

glance功能

示例2：t.test

第二部分broom and dplyr

这一部分重要是broom和dplyr的合作的展示，其中涉及一个do和.号的一个用法，其中.号代表被分组之后的数据集。因此，需要注意第一部分是关于一个回归关系模型结果的整理，而现在是对多组模型的结果整理。演示过程如下：

step1:做出用tree分类的折线图。

step2:用tree分组，在5个分组的基础上，分别计算每个组内age与circumference的相关系数。

step3:做每组的相关性检验，此时就需要用broom调整输出结果。

step4：结合do.和tidy整理输出结果，也可以使用augment和glance.

第三部分 kmeans

试试三个函数对于kmean聚类的模型的结果是怎么样整理的。

先看一段有意思的写法，其中points是在cluster分组的基础上，重新塑造了X1与X2函数，塑造的方法很有意思，是用size中的100作为个数，分别用x1中5和0作为均值构造数值，就行成了三类100*3的数据结构，然后用散点图画出。

step1:用points构建聚类的数据，然后kmeans指定三类进行聚类。最后这个模型给出了9个可用的参数，也就是说summary中还有9个参数可能涉及到broom的整理当中。

step2:看看broom的效果，可以观察到augment整合了一个参数cluster，tidy整合了3个参数，而glance整合了四个参数。这是因为每个参数下的数值的个数不一样所致，但是自动的分类，所以无须担心什么。

step:加上dplyr的应用，这才是拓展，下面这段码的理解在于，facet_wrap的作用，首先看9个小图散点的形状都是不变的，只是散点的颜色随着k的增加而增加，最后增加到9类，这就很有意思了。

此外，Broom包还可以对bootstraping的结果做整理，这一部分也在小文档中，需要注意的是这个包也并非什么模型都可以处理，有问题可以到http://github.com/dgrtwo/broom/issues交流bug。

参考阅读

学习数据挖掘交流平台