使用pandas数据框的rpy2回归的最小示例

Question

有没有推荐的方法（如果有的话）可以使用pandas dataframe进行线性回归？我可以做到，但是我的方法似乎非常复杂。我是否在使事情变得不必要的复杂？

与之相比，R代码如下：

x <- c(1,2,3,4,5)
y <- c(2,1,3,5,4)
M <- lm(y~x)
summary(M)$coefficients
            Estimate Std. Error  t value  Pr(>|t|)
(Intercept)      0.6  1.1489125 0.522233 0.6376181
x                0.8  0.3464102 2.309401 0.1040880

现在，我的Python（2.7.10）、rpy2（2.6.0）和pandas（0.16.1）版本：

import pandas
import pandas.rpy.common as common
from rpy2 import robjects
from rpy2.robjects.packages import importr

base = importr('base')
stats = importr('stats')

dataframe = pandas.DataFrame({'x': [1,2,3,4,5], 
                              'y': [2,1,3,5,4]})

robjects.globalenv['dataframe']\
   = common.convert_to_r_dataframe(dataframe) 

M = stats.lm('y~x', data=base.as_symbol('dataframe'))

print(base.summary(M).rx2('coefficients'))

            Estimate Std. Error  t value  Pr(>|t|)
(Intercept)      0.6  1.1489125 0.522233 0.6376181
x                0.8  0.3464102 2.309401 0.1040880

顺便提一下，我在导入pandas.rpy.common时收到了一个FutureWarning。然而，当我尝试使用pandas2ri.py2ri(dataframe)将来自pandas的数据框转换为R（正如这里所述），我得到了以下结果。

NotImplementedError: Conversion 'py2ri' not defined for objects of type '<class 'pandas.core.series.Series'>'

- mjandrews

---

你使用的 rpy2 版本是什么？ - joris

我已经更新了我的问题，添加了这些信息。 - mjandrews

我在数据框转换方面遇到了类似的问题，但是我不得不使用非rpy2函数。结果发现，在调用pandas2ri.py2ri(dataframe)之前，必须执行pandas2ri.activate()。 - shibumi

Answer 1

调用pandas2ri.activate()后，一些从Pandas对象到R对象的转换会自动发生。例如，您可以使用

M = R.lm('y~x', data=df)

代替

robjects.globalenv['dataframe'] = dataframe
M = stats.lm('y~x', data=base.as_symbol('dataframe'))

---

import pandas as pd
from rpy2 import robjects as ro
from rpy2.robjects import pandas2ri
pandas2ri.activate()
R = ro.r

df = pd.DataFrame({'x': [1,2,3,4,5], 
                   'y': [2,1,3,5,4]})

M = R.lm('y~x', data=df)
print(R.summary(M).rx2('coefficients'))

产出

            Estimate Std. Error  t value  Pr(>|t|)
(Intercept)      0.6  1.1489125 0.522233 0.6376181
x                0.8  0.3464102 2.309401 0.1040880

- unutbu

---

很棒的回答！R = ro.r 是什么意思？ - undefined

Answer 2

R和Python并不完全相同，因为在Python / rpy2中构建数据框，而在R中则使用向量（不使用数据框）。

否则，随附rpy2的转换似乎在此处起作用：

from rpy2.robjects import pandas2ri
pandas2ri.activate()
robjects.globalenv['dataframe'] = dataframe
M = stats.lm('y~x', data=base.as_symbol('dataframe'))

结果：

>>> print(base.summary(M).rx2('coefficients'))
            Estimate Std. Error  t value  Pr(>|t|)
(Intercept)      0.6  1.1489125 0.522233 0.6376181
x                0.8  0.3464102 2.309401 0.1040880

- lgautier

---

好的，谢谢。我知道我的初步尝试可能过于复杂化了。 - mjandrews

@l Unutbu的答案看起来非常直观，因为不需要在R命名空间中分配DF或使用as_symbol。像Unutbu的示例一样直接将pandas DF传递给r函数的这种方法是否是支持的语法，还是将被弃用？我查阅了文档，但没有找到答案。 - KGS

@KGS：我的回答重点在于否定数据框转换不起作用的说法。为此，我尽可能保持了问题中的代码不变。我认为@unutbu的答案短时间内不会失效：R的stats::lm一直接受参数data，我不认为它会轻易改变。 - lgautier

Answer 3

我可以通过概述如何检索系数表中特定元素（包括关键的p值）来补充unutbu的答案。

def r_matrix_to_data_frame(r_matrix):
    """Convert an R matrix into a Pandas DataFrame"""
    import pandas as pd
    from rpy2.robjects import pandas2ri
    array = pandas2ri.ri2py(r_matrix)
    return pd.DataFrame(array,
                        index=r_matrix.names[0],
                        columns=r_matrix.names[1])

# Let's start from unutbu's line retrieving the coefficients:
coeffs = R.summary(M).rx2('coefficients')
df = r_matrix_to_data_frame(coeffs)

这给我们留下了一个DataFrame，我们可以以正常的方式访问它：

In [179]: df['Pr(>|t|)']
Out[179]:
(Intercept)    0.637618
x              0.104088
Name: Pr(>|t|), dtype: float64

In [181]: df.loc['x', 'Pr(>|t|)']
Out[181]: 0.10408803866182779

- LondonRob