如何通过 R 中的 3D 数据绘制曲面拟合？

Question

我有一个呈现如下的 3D 散点图：

3D数据集很大，所以我不能在这里包含它。可以尝试使用 mtcars 或 iris.

等标准数据集来回答这个问题

我尝试绘制此 3D 散点图：

x <- rbind(A_0,A_1,A_2,A_3) 
fig1 <- x %>% plot_ly(x= ~x,y=~y,z = ~z, color= ~key,type="scatter3d", size = 0.5)
fig1

A_0, A_1, A_2, A_3是不同的3*ndataframes，用rbind组合在一起，用每个dataframe

中包含的key区分

我尝试通过各种方法拟合曲面，例如 add_surface()、add_trace()，将类型更改为 'mesh3D'

但是，最终的表面拟合不是我想要的，我需要通过这个散点数据进行平滑的表面拟合。我得到的错误是：z is not a numeric matrix.

有没有更好的拟合表面的方法，我在这里缺少什么？

P.S。我更喜欢用 ggplot(), plot_ly(), ggplotly().

渲染情节

Answer 1

您可以先使用 gam() 之类的方法拟合模型，然后绘制预测图。首先，我们可以使 GAM 适合数据。在这种情况下，hp 和 wt 是两个自变量（即上图的 x 和 y 轴）。 qsec 是绘制在 z 轴上的变量，是模型中的因变量。

data(mtcars)
library(mgcv)
mod <- gam(qsec ~ te(hp) + te(wt) + ti(hp, wt), data=mtcars)

接下来，我们需要在hp和wt的不同组合下对模型进行一些预测。最简单的方法是为每个变量创建一个从最小值到最大值的值序列。这就是下面的命令所做的。它生成一个由 25 个均匀分布的值组成的序列，从每个自变量的最小值到最大值。

hp.seq <- seq(min(mtcars$hp, na.rm=TRUE), max(mtcars$hp, na.rm=TRUE), length=25)
wt.seq <- seq(min(mtcars$wt, na.rm=TRUE), max(mtcars$wt, na.rm=TRUE), length=25)

接下来，我们可以创建一个函数来生成预测。因为我们将在下面使用 outer()，所以我们应该让函数接受两个输入 x 和一个 y。我们要传入的 x-y 对是用于预测的 hp 和 wt 的值。该函数生成一个数据框，其中包含一个观察值和两个变量 - hp 和 wt。它使用该新数据框使用 predict() 函数从模型生成单个预测。

predfun <- function(x,y){
  newdat <- data.frame(hp = x, wt=y)
  predict(mod, newdata=newdat)
}

接下来，我们将该预测函数应用于我们上面制作的数据序列。我们使用 outer() 外积函数为每个 hp.seq 和 wt.seq 的组合创建一个 25x25 的预测值矩阵。将 predfun 包裹在 Vectorize() 中可以防止有关替换长度问题的错误。

fit <- outer(hp.seq, wt.seq, Vectorize(predfun))

最后，我们可以将所有内容放在一起 plot_ly。我们使用 add_marker() 添加点，使用 add_surface 添加预测。

plot_ly() %>% 
  add_markers(x = ~mtcars$hp, y=mtcars$wt, z=mtcars$qsec) %>% 
  add_surface(x = ~hp.seq, y = ~wt.seq, z = t(fit))

如何通过 R 中的 3D 数据绘制曲面拟合？

How to plot surface fit through 3D data in R?

3d

r

ggplot2

shiny

plotly