这个简短的 R 脚本有什么作用？

Question

我知道 python 和 C++，但对 R 的经验很少。我应该弄清楚我的老同事的脚本是做什么的 - 他已经好几年没来了，但我有他的文件。他有大约 10 个 python 文件，这些文件将数据传递到一个临时文件，然后传递到下一个 python 脚本，我可以跟踪它，但他有一个我不理解的 R 脚本，因为我不知道 R。

R 脚本的输入是 temp4.txt：

1.414442 0.0043
1.526109 0.0042
1.600553 0.0046
1.637775 0.0045
...etc

其中第 1 列是生长曲线的 x 轴（时间单位），第 2 列是生长水平（单位 OD600，它是细胞密度的度量）。

R 脚本只有 4 行：

inp1 <- scan('/temp4.txt', list(0,0))
decay <- data.frame(t = inp1[[1]], amp = inp1[[2]])
form <- nls(amp ~ const*(exp(fact*t)), data=decay, start = list(const = 0.01, fact = 0.5))
summary(form)

R 脚本的输出：

Parameters:
       Estimate Std. Error t value Pr(>|t|)    
const 2.293e-03  9.658e-05   23.74   <2e-16 ***
fact  7.106e-01  8.757e-03   81.14   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Residual standard error: 0.002776 on 104 degrees of freedom

Correlation of Parameter Estimates:
       const 
fact -0.9905

“事实”数字是他在下一个 python 脚本中提取的值，作为继续进行分析的值。通常它是一个正值，例如“6.649e-01 6.784e-01 6.936e-01 6.578e-01 6.949e-01 6.546e-01 0.6623768 0.6710339 6.952e-01 6.711e-01 6.721e-01 6.520e-01”但因为临时文件被覆盖每次我只有一个负值 -0.9905 的版本，他在下一个 python 脚本中丢弃负值。

我需要知道他到底在做什么来重新创建它...我知道

感谢任何可以为我解释 R 的人。

Answer 1

GSee 在 cmets 中的链接很好地描述了 NLS 功能，但如果您不习惯 R 文档，这里是 nls 的简要说明。

NLS 函数是非线性最小二乘建模函数。它类似于线性回归，只是认为至少有一个参数不是线性的（正弦函数、余弦函数、x^2 函数等）。非线性参数有时可以转换为线性参数（即通过对数转换等），但并非总是如此。

第一个选项是正在测试的模型：amp ~ const*(exp(fact*t))，表示我们希望将 amp 建模为因变量，并希望 e^(fact*t)成为我们的独立（非线性）变量。

下一个选项只是告诉我们要使用哪个数据对象（数据 = 衰减）。

start 参数告诉我们构建模型的起始值，在本例中为 const = .01 和 fact = .5。

所以第一个命令将数据读入对象inp1。 第二个创建一个具有类 data.frame 的对象（这是 R 中大多数分析所做的）。这基本上是一个有两列的表。在这种情况下，列被赋予名称（t 和 amp）。 第三个命令创建一个具有类 nls 的对象。该对象基本上包含 nls 命令生成的信息。 第四个命令打印出 nls 类对象的摘要 - 基本上是所有相关的分析细节。

输出如下：

首先是估计和标准。非线性模型中两个参数 const 和 fact 的偏差。 t 值和 P 列显示参数是否在统计上显着不同于 0 的统计计算。

意义。代码是显示在参数估计右侧的星星的图例 - p 值是多少。

残留标准误差是标准差多少的指标。模型没有解释错误。

最后一个我不确定，因为我有一段时间没有使用 NLS，但我认为它是正确的。 估计的相关性显示参数的相关性有多强。在这种情况下，-.9905 值是一个非常强的负相关 - 随着 fact 上升，const 下降并且非常可预测。

Answer 2

第一行将数据读入R

第二行将数据重组为数据框（R中常用的表结构，将作为数据传递给第3行的nls）。

这看起来像旧代码，大多数现代编码人员会用一次调用 read.table 来替换第 1 行和第 2 行。

第 3 行将非线性最小二乘方程拟合到先前读取的数据，第 4 行打印拟合摘要，包括下一个要读取的 Python 脚本的参数估计值。

正在拟合的非线性模型是指数增长曲线，而事实参数是衡量增长率的指标。