Uso de ~ (til) na linguagem de programação R

Eu vi em um tutorial sobre modelagem de regressão o seguinte comando:

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

O que exatamente esse comando faz e qual é o papel de ~(til) no comando?

A coisa à direita de <-é um formulaobjeto. É freqüentemente usado para denotar um modelo estatístico, onde a coisa à esquerda da ~é a resposta e as coisas à direita da ~são as variáveis ​​explicativas. Então, em inglês, você diria algo como "A espécie depende do comprimento da sépala, largura da sépala, comprimento da pétala e largura da pétala" .

A myFormula <-parte dessa linha armazena a fórmula em um objeto chamado myFormulapara que você possa usá-la em outras partes do seu código R.

Outros usos comuns de objetos de fórmula em R

O latticepacote as utiliza para especificar as variáveis ​​a serem plotadas .
O ggplot2pacote os utiliza para especificar painéis para plotagem .
O dplyrpacote os utiliza para avaliação não padrão .

R define um ~operador (til) para uso em fórmulas. As fórmulas têm todos os tipos de usos, mas talvez o mais comum seja para regressão:

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

help("~")ou help("formula")vai te ensinar mais.

@ Spacedman cobriu o básico. Vamos discutir como isso funciona.

Primeiro, sendo um operador, observe que é essencialmente um atalho para uma função (com dois argumentos):

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

Isso pode ser útil saber para uso em, por exemplo, applycomandos de família.

Segundo, você pode manipular a fórmula como texto :

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

Terceiro, você pode manipulá-lo como uma lista :

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

Finalmente, existem alguns truques úteis com fórmulas (veja help("formula")mais):

myFormula <- Species ~ . 

Por exemplo, a versão acima é igual à versão original, pois o ponto significa "todas as variáveis ​​ainda não utilizadas". Isso examina o data.frame que você usa em sua eventual chamada de modelo, vê quais variáveis ​​existem no data.frame, mas não são explicitamente mencionadas na sua fórmula e substitui o ponto pelas variáveis ​​ausentes.