tests/testthat/_snaps/egg_model.md
In mcanouil/eggla: Early Growth Genetics Longitudinal Analysis
egg_model
Code
egg_correlations(fit = res2)[, lapply(.SD, round, digits = 2L), .SDcols = is.numeric]
Output
auc_0--0.5 auc_1.5--3.5 auc_6.5--10 auc_12--17 slope_0--0.5 slope_1.5--3.5
<num> <num> <num> <num> <num> <num>
1: 1.00 0.80 0.46 0.35 0.19 0.19
2: 0.80 1.00 0.90 0.84 0.74 0.74
3: 0.46 0.90 1.00 0.99 0.96 0.96
4: 0.35 0.84 0.99 1.00 0.99 0.99
5: 0.19 0.74 0.96 0.99 1.00 1.00
6: 0.19 0.74 0.96 0.99 1.00 1.00
7: 0.19 0.74 0.96 0.99 1.00 1.00
8: 0.19 0.74 0.96 0.99 1.00 1.00
9: 0.20 0.73 0.95 0.98 0.99 0.99
10: -0.19 -0.74 -0.96 -0.98 -1.00 -1.00
11: 0.98 0.90 0.62 0.53 0.38 0.38
12: 0.86 0.99 0.85 0.78 0.66 0.66
slope_6.5--10 slope_12--17 AP_ageyears AR_ageyears AP_bmi AR_bmi
<num> <num> <num> <num> <num> <num>
1: 0.19 0.19 0.20 -0.19 0.98 0.86
2: 0.74 0.74 0.73 -0.74 0.90 0.99
3: 0.96 0.96 0.95 -0.96 0.62 0.85
4: 0.99 0.99 0.98 -0.98 0.53 0.78
5: 1.00 1.00 0.99 -1.00 0.38 0.66
6: 1.00 1.00 0.99 -1.00 0.38 0.66
7: 1.00 1.00 0.99 -1.00 0.38 0.66
8: 1.00 1.00 0.99 -1.00 0.38 0.66
9: 0.99 0.99 1.00 -0.99 0.38 0.66
10: -1.00 -1.00 -0.99 1.00 -0.38 -0.66
11: 0.38 0.38 0.38 -0.38 1.00 0.94
12: 0.66 0.66 0.66 -0.66 0.94 1.00
Code
out <- egg_aucs(fit = res2)
out[, names(out)[-1L]] <- round(out[, names(out)[-1L]], digits = 2L)
out
Output
ID auc_0--0.5 auc_1.5--3.5 auc_6.5--10 auc_12--17
001 001 1.41 5.85 11.46 18.26
004 004 1.37 5.72 11.22 17.89
005 005 1.38 5.77 11.39 18.28
006 006 1.36 5.62 10.83 17.01
007 007 1.38 5.84 11.79 19.28
009 009 1.38 5.71 11.11 17.59
010 010 1.38 5.79 11.54 18.67
011 011 1.38 5.75 11.24 17.88
012 012 1.41 5.81 11.21 17.63
013 013 1.39 5.82 11.60 18.74
016 016 1.38 5.70 11.07 17.51
019 019 1.38 5.76 11.37 18.23
022 022 1.39 5.79 11.38 18.17
025 025 1.38 5.71 11.01 17.30
031 031 1.38 5.71 11.04 17.37
032 032 1.38 5.68 10.94 17.15
033 033 1.41 5.87 11.60 18.63
034 034 1.39 5.78 11.42 18.33
035 035 1.38 5.77 11.40 18.29
039 039 1.40 5.71 10.75 16.52
041 041 1.38 5.74 11.17 17.69
044 044 1.42 5.92 11.69 18.75
045 045 1.38 5.70 10.96 17.16
046 046 1.39 5.74 11.13 17.59
048 048 1.38 5.73 11.10 17.51
049 049 1.39 5.80 11.49 18.47
054 054 1.39 5.73 10.97 17.12
057 057 1.38 5.70 11.01 17.32
059 059 1.38 5.74 11.21 17.83
061 061 1.38 5.68 10.95 17.21
063 063 1.38 5.74 11.25 17.93
064 064 1.36 5.66 11.16 17.88
065 065 1.36 5.70 11.29 18.16
068 068 1.39 5.77 11.33 18.09
069 069 1.37 5.68 10.99 17.33
072 072 1.39 5.76 11.14 17.55
075 075 1.37 5.67 11.03 17.46
076 076 1.39 5.80 11.48 18.45
080 080 1.38 5.77 11.47 18.51
081 081 1.37 5.58 10.45 15.99
082 082 1.38 5.76 11.30 18.04
083 083 1.37 5.61 10.62 16.39
085 085 1.36 5.63 10.83 16.99
086 086 1.38 5.70 11.02 17.35
088 088 1.39 5.76 11.19 17.68
089 089 1.37 5.69 11.11 17.64
092 092 1.39 5.75 11.14 17.56
093 093 1.39 5.87 11.89 19.47
095 095 1.37 5.74 11.33 18.19
099 099 1.39 5.80 11.52 18.56
Code
out <- egg_slopes(fit = res2)
out[, names(out)[-1L]] <- round(out[, names(out)[-1L]], digits = 2L)
out
Output
ID pred_period_0 pred_period_0.5 pred_period_1.5 pred_period_3.5
1 001 2.66 2.91 2.92 2.95
2 004 2.59 2.84 2.85 2.88
3 005 2.61 2.86 2.87 2.91
4 006 2.57 2.82 2.81 2.83
5 007 2.61 2.87 2.89 2.97
6 009 2.60 2.85 2.85 2.88
7 010 2.60 2.86 2.88 2.93
8 011 2.62 2.86 2.87 2.90
9 012 2.66 2.91 2.90 2.92
10 013 2.62 2.88 2.89 2.95
11 016 2.60 2.84 2.85 2.87
12 019 2.61 2.86 2.87 2.91
13 022 2.63 2.88 2.89 2.93
14 025 2.62 2.86 2.86 2.87
15 031 2.61 2.86 2.86 2.88
16 032 2.61 2.85 2.85 2.86
17 033 2.66 2.91 2.92 2.97
18 034 2.62 2.87 2.88 2.92
19 035 2.61 2.86 2.87 2.92
20 039 2.65 2.89 2.87 2.86
21 041 2.62 2.86 2.87 2.89
22 044 2.68 2.93 2.95 2.99
23 045 2.62 2.86 2.85 2.87
24 046 2.62 2.87 2.87 2.89
25 048 2.62 2.86 2.86 2.88
26 049 2.62 2.88 2.89 2.94
27 054 2.64 2.88 2.87 2.88
28 057 2.61 2.85 2.85 2.87
29 059 2.61 2.86 2.86 2.89
30 061 2.60 2.84 2.84 2.86
31 063 2.61 2.86 2.86 2.90
32 064 2.56 2.81 2.82 2.86
33 065 2.57 2.82 2.84 2.88
34 068 2.62 2.87 2.88 2.91
35 069 2.59 2.84 2.84 2.86
36 072 2.64 2.88 2.88 2.90
37 075 2.58 2.83 2.83 2.86
38 076 2.62 2.88 2.89 2.93
39 080 2.60 2.85 2.87 2.92
40 081 2.59 2.83 2.81 2.79
41 082 2.61 2.86 2.87 2.91
42 083 2.59 2.83 2.82 2.81
43 085 2.58 2.82 2.82 2.83
44 086 2.61 2.85 2.85 2.87
45 088 2.63 2.88 2.88 2.90
46 089 2.59 2.84 2.84 2.87
47 092 2.63 2.87 2.87 2.90
48 093 2.62 2.88 2.91 2.98
49 095 2.59 2.85 2.86 2.90
50 099 2.62 2.87 2.89 2.94
pred_period_6.5 pred_period_10 pred_period_12 pred_period_17 slope_0--0.5
1 3.15 3.38 3.50 3.74 0.50
2 3.08 3.31 3.43 3.67 0.50
3 3.12 3.37 3.50 3.76 0.50
4 2.99 3.18 3.28 3.46 0.49
5 3.22 3.51 3.66 3.99 0.52
6 3.06 3.27 3.38 3.60 0.49
7 3.16 3.42 3.56 3.85 0.51
8 3.09 3.32 3.43 3.66 0.50
9 3.09 3.30 3.40 3.60 0.49
10 3.17 3.44 3.58 3.86 0.51
11 3.05 3.26 3.37 3.58 0.49
12 3.12 3.36 3.49 3.74 0.50
13 3.13 3.36 3.48 3.73 0.50
14 3.04 3.24 3.34 3.53 0.49
15 3.05 3.25 3.35 3.54 0.49
16 3.02 3.21 3.31 3.49 0.49
17 3.18 3.43 3.56 3.83 0.50
18 3.13 3.38 3.51 3.77 0.50
19 3.13 3.37 3.50 3.76 0.50
20 2.99 3.14 3.21 3.34 0.47
21 3.08 3.29 3.40 3.62 0.49
22 3.21 3.46 3.59 3.86 0.50
23 3.03 3.22 3.31 3.49 0.49
24 3.07 3.28 3.38 3.59 0.49
25 3.06 3.27 3.37 3.57 0.49
26 3.15 3.40 3.53 3.80 0.50
27 3.04 3.22 3.31 3.48 0.48
28 3.04 3.24 3.34 3.53 0.49
29 3.08 3.31 3.42 3.65 0.50
30 3.02 3.22 3.32 3.51 0.49
31 3.09 3.32 3.44 3.67 0.50
32 3.06 3.30 3.42 3.67 0.50
33 3.09 3.34 3.47 3.74 0.50
34 3.11 3.35 3.47 3.71 0.50
35 3.03 3.24 3.34 3.54 0.49
36 3.07 3.28 3.38 3.58 0.49
37 3.04 3.25 3.36 3.57 0.49
38 3.15 3.40 3.53 3.79 0.50
39 3.14 3.40 3.53 3.81 0.51
40 2.91 3.05 3.11 3.22 0.47
41 3.11 3.34 3.46 3.70 0.50
42 2.95 3.11 3.18 3.32 0.48
43 2.99 3.18 3.28 3.46 0.49
44 3.04 3.24 3.34 3.54 0.49
45 3.08 3.30 3.40 3.61 0.49
46 3.06 3.28 3.39 3.61 0.49
47 3.07 3.28 3.38 3.59 0.49
48 3.24 3.54 3.70 4.03 0.52
49 3.11 3.35 3.48 3.74 0.50
50 3.16 3.41 3.55 3.82 0.51
slope_1.5--3.5 slope_6.5--10 slope_12--17
1 0.02 0.07 0.05
2 0.02 0.07 0.05
3 0.02 0.07 0.05
4 0.01 0.06 0.04
5 0.04 0.08 0.07
6 0.01 0.06 0.04
7 0.03 0.08 0.06
8 0.02 0.06 0.05
9 0.01 0.06 0.04
10 0.03 0.08 0.06
11 0.01 0.06 0.04
12 0.02 0.07 0.05
13 0.02 0.07 0.05
14 0.01 0.06 0.04
15 0.01 0.06 0.04
16 0.01 0.06 0.04
17 0.02 0.07 0.05
18 0.02 0.07 0.05
19 0.02 0.07 0.05
20 -0.01 0.04 0.02
21 0.01 0.06 0.04
22 0.02 0.07 0.05
23 0.01 0.05 0.04
24 0.01 0.06 0.04
25 0.01 0.06 0.04
26 0.02 0.07 0.05
27 0.00 0.05 0.03
28 0.01 0.06 0.04
29 0.02 0.06 0.05
30 0.01 0.06 0.04
31 0.02 0.07 0.05
32 0.02 0.07 0.05
33 0.02 0.07 0.05
34 0.02 0.07 0.05
35 0.01 0.06 0.04
36 0.01 0.06 0.04
37 0.01 0.06 0.04
38 0.02 0.07 0.05
39 0.03 0.07 0.06
40 -0.01 0.04 0.02
41 0.02 0.07 0.05
42 0.00 0.05 0.03
43 0.01 0.05 0.04
44 0.01 0.06 0.04
45 0.01 0.06 0.04
46 0.01 0.06 0.04
47 0.01 0.06 0.04
48 0.04 0.09 0.07
49 0.02 0.07 0.05
50 0.02 0.07 0.06
Code
out <- compute_apar(fit = res2, from = s)[AP | AR]
out[, c(2L, 3L)] <- round(out[, c(2L, 3L)], digits = 2L)
out
Output
egg_id egg_ageyears egg_bmi AP AR
<char> <num> <num> <lgcl> <lgcl>
1: 001 0.80 18.78 TRUE FALSE
2: 001 1.88 18.44 FALSE TRUE
3: 004 0.79 17.57 TRUE FALSE
4: 004 1.90 17.24 FALSE TRUE
5: 005 0.81 17.88 TRUE FALSE
6: 005 1.77 17.62 FALSE TRUE
7: 006 0.77 17.04 TRUE FALSE
8: 006 2.23 16.50 FALSE TRUE
9: 007 0.85 18.14 TRUE FALSE
10: 007 1.38 18.06 FALSE TRUE
11: 009 0.78 17.65 TRUE FALSE
12: 009 2.04 17.22 FALSE TRUE
13: 010 0.82 17.89 TRUE FALSE
14: 010 1.60 17.72 FALSE TRUE
15: 011 0.79 17.94 TRUE FALSE
16: 011 1.95 17.57 FALSE TRUE
17: 012 0.77 18.66 TRUE FALSE
18: 012 2.15 18.12 FALSE TRUE
19: 013 0.82 18.25 TRUE FALSE
20: 013 1.61 18.07 FALSE TRUE
21: 016 0.78 17.57 TRUE FALSE
22: 016 2.07 17.13 FALSE TRUE
23: 019 0.80 17.85 TRUE FALSE
24: 019 1.79 17.58 FALSE TRUE
25: 022 0.80 18.23 TRUE FALSE
26: 022 1.85 17.91 FALSE TRUE
27: 025 0.77 17.83 TRUE FALSE
28: 025 2.20 17.28 FALSE TRUE
29: 031 0.77 17.82 TRUE FALSE
30: 031 2.17 17.30 FALSE TRUE
31: 032 0.77 17.63 TRUE FALSE
32: 032 2.25 17.05 FALSE TRUE
33: 033 0.81 18.81 TRUE FALSE
34: 033 1.72 18.56 FALSE TRUE
35: 034 0.81 18.04 TRUE FALSE
36: 034 1.76 17.79 FALSE TRUE
37: 035 0.81 17.90 TRUE FALSE
38: 035 1.76 17.65 FALSE TRUE
39: 039 0.74 18.26 TRUE FALSE
40: 039 2.65 17.32 FALSE TRUE
41: 041 0.78 17.92 TRUE FALSE
42: 041 2.03 17.49 FALSE TRUE
43: 044 0.81 19.27 TRUE FALSE
44: 044 1.72 19.02 FALSE TRUE
45: 045 0.76 17.80 TRUE FALSE
46: 045 2.26 17.21 FALSE TRUE
47: 046 0.78 17.96 TRUE FALSE
48: 046 2.08 17.50 FALSE TRUE
49: 048 0.78 17.88 TRUE FALSE
50: 048 2.11 17.39 FALSE TRUE
51: 049 0.81 18.18 TRUE FALSE
52: 049 1.72 17.95 FALSE TRUE
53: 054 0.76 18.15 TRUE FALSE
54: 054 2.33 17.49 FALSE TRUE
55: 057 0.77 17.73 TRUE FALSE
56: 057 2.18 17.20 FALSE TRUE
57: 059 0.79 17.81 TRUE FALSE
58: 059 1.96 17.44 FALSE TRUE
59: 061 0.77 17.54 TRUE FALSE
60: 061 2.20 17.00 FALSE TRUE
61: 063 0.79 17.84 TRUE FALSE
62: 063 1.91 17.50 FALSE TRUE
63: 064 0.80 17.02 TRUE FALSE
64: 064 1.83 16.74 FALSE TRUE
65: 065 0.81 17.28 TRUE FALSE
66: 065 1.74 17.05 FALSE TRUE
67: 068 0.80 18.00 TRUE FALSE
68: 068 1.87 17.69 FALSE TRUE
69: 069 0.77 17.45 TRUE FALSE
70: 069 2.13 16.96 FALSE TRUE
71: 072 0.77 18.21 TRUE FALSE
72: 072 2.13 17.71 FALSE TRUE
73: 075 0.78 17.31 TRUE FALSE
74: 075 2.06 16.88 FALSE TRUE
75: 076 0.81 18.19 TRUE FALSE
76: 076 1.73 17.95 FALSE TRUE
77: 080 0.82 17.78 TRUE FALSE
78: 080 1.66 17.59 FALSE TRUE
79: 081 0.73 17.18 TRUE FALSE
80: 081 2.77 16.19 FALSE TRUE
81: 082 0.80 17.94 TRUE FALSE
82: 082 1.88 17.61 FALSE TRUE
83: 083 0.74 17.27 TRUE FALSE
84: 083 2.57 16.45 FALSE TRUE
85: 085 0.76 17.13 TRUE FALSE
86: 085 2.25 16.56 FALSE TRUE
87: 086 0.77 17.70 TRUE FALSE
88: 086 2.16 17.18 FALSE TRUE
89: 088 0.78 18.14 TRUE FALSE
90: 088 2.06 17.69 FALSE TRUE
91: 089 0.79 17.46 TRUE FALSE
92: 089 1.99 17.07 FALSE TRUE
93: 092 0.78 18.10 TRUE FALSE
94: 092 2.11 17.61 FALSE TRUE
95: 093 0.86 18.37 TRUE FALSE
96: 093 1.33 18.30 FALSE TRUE
97: 095 0.81 17.64 TRUE FALSE
98: 095 1.78 17.38 FALSE TRUE
99: 099 0.82 18.13 TRUE FALSE
100: 099 1.68 17.92 FALSE TRUE
egg_id egg_ageyears egg_bmi AP AR
Code
out <- compute_apar(fit = res2, from = s)[AP | AR]
out[, c(2L, 3L)] <- round(out[, c(2L, 3L)], digits = 2L)
out
Output
egg_id egg_ageyears egg_bmi AP AR
<char> <num> <num> <lgcl> <lgcl>
1: 001 0.25 18.29 TRUE FALSE
2: 001 0.50 17.68 FALSE TRUE
3: 004 0.75 19.64 TRUE FALSE
4: 004 2.00 16.23 FALSE TRUE
5: 006 0.50 15.44 TRUE FALSE
6: 006 0.75 14.80 FALSE TRUE
7: 009 0.50 19.01 TRUE FALSE
8: 009 2.00 15.31 FALSE TRUE
9: 010 0.50 17.53 TRUE FALSE
10: 010 1.00 16.64 FALSE TRUE
11: 011 0.50 17.96 TRUE FALSE
12: 011 0.75 16.95 FALSE TRUE
13: 012 0.25 17.88 FALSE TRUE
14: 012 0.75 20.49 TRUE FALSE
15: 016 1.00 19.48 TRUE FALSE
16: 016 3.00 17.00 FALSE TRUE
17: 019 0.75 17.51 TRUE FALSE
18: 019 2.00 14.84 FALSE TRUE
19: 022 0.75 19.22 TRUE FALSE
20: 022 2.00 17.61 FALSE TRUE
21: 025 0.75 19.18 TRUE FALSE
22: 025 4.00 18.46 FALSE TRUE
23: 031 0.75 17.88 TRUE FALSE
24: 031 1.00 17.70 FALSE TRUE
25: 032 0.25 16.91 TRUE FALSE
26: 032 0.50 16.25 FALSE TRUE
27: 033 5.00 20.29 FALSE TRUE
28: 034 0.50 19.82 TRUE FALSE
29: 034 1.00 17.31 FALSE TRUE
30: 035 0.25 20.33 TRUE FALSE
31: 035 0.75 17.34 FALSE TRUE
32: 039 1.00 21.61 TRUE FALSE
33: 039 6.00 19.00 FALSE TRUE
34: 041 1.00 18.32 TRUE FALSE
35: 041 2.00 16.92 FALSE TRUE
36: 044 1.00 23.76 TRUE FALSE
37: 044 3.00 20.28 FALSE TRUE
38: 045 0.25 14.15 FALSE TRUE
39: 045 0.75 18.96 TRUE FALSE
40: 046 0.50 18.93 TRUE FALSE
41: 046 1.00 17.54 FALSE TRUE
42: 048 0.25 19.80 TRUE FALSE
43: 048 2.00 17.61 FALSE TRUE
44: 049 0.75 17.00 TRUE FALSE
45: 049 1.00 16.49 FALSE TRUE
46: 054 0.50 20.51 TRUE FALSE
47: 054 0.75 19.51 FALSE TRUE
48: 057 0.50 17.99 TRUE FALSE
49: 057 0.75 17.54 FALSE TRUE
50: 059 0.75 17.98 TRUE FALSE
51: 059 2.00 16.48 FALSE TRUE
52: 061 0.50 18.98 TRUE FALSE
53: 061 0.75 18.74 FALSE TRUE
54: 063 0.25 16.00 FALSE TRUE
55: 063 0.50 17.12 TRUE FALSE
56: 064 0.25 11.08 FALSE TRUE
57: 064 0.75 16.10 TRUE FALSE
58: 065 0.75 16.01 TRUE FALSE
59: 065 2.00 14.76 FALSE TRUE
60: 068 0.50 17.84 TRUE FALSE
61: 068 0.75 17.61 FALSE TRUE
62: 069 0.75 16.86 TRUE FALSE
63: 069 2.00 15.49 FALSE TRUE
64: 072 0.50 19.05 TRUE FALSE
65: 072 1.00 17.58 FALSE TRUE
66: 075 0.50 14.93 TRUE FALSE
67: 075 0.75 14.91 FALSE TRUE
68: 076 0.50 19.00 TRUE FALSE
69: 076 1.00 17.02 FALSE TRUE
70: 080 0.25 15.14 TRUE FALSE
71: 080 0.50 14.97 FALSE TRUE
72: 081 0.50 17.01 TRUE FALSE
73: 081 0.75 15.52 FALSE TRUE
74: 082 0.50 18.10 TRUE FALSE
75: 082 0.75 16.32 FALSE TRUE
76: 083 0.75 17.41 TRUE FALSE
77: 083 3.00 15.03 FALSE TRUE
78: 085 0.25 14.34 TRUE FALSE
79: 085 0.50 14.28 FALSE TRUE
80: 086 0.50 16.76 TRUE FALSE
81: 086 0.75 16.55 FALSE TRUE
82: 088 0.25 19.13 TRUE FALSE
83: 088 0.75 17.06 FALSE TRUE
84: 089 1.00 17.53 TRUE FALSE
85: 089 2.00 15.63 FALSE TRUE
86: 092 0.75 19.21 TRUE FALSE
87: 092 2.00 17.66 FALSE TRUE
88: 093 0.50 17.12 TRUE FALSE
89: 093 0.75 16.12 FALSE TRUE
90: 095 0.50 17.22 TRUE FALSE
91: 095 0.75 15.16 FALSE TRUE
92: 099 0.50 18.81 TRUE FALSE
93: 099 2.00 17.98 FALSE TRUE
egg_id egg_ageyears egg_bmi AP AR
Code
out <- egg_outliers(fit = res2)
out[, "Distance_IQR"] <- round(out[, "Distance_IQR"], digits = 2L)
out
Output
parameter ID Row Distance_IQR Outlier_IQR Outlier
<char> <char> <int> <num> <num> <num>
1: auc_0--0.5 001 1 0.89 0 0
2: auc_0--0.5 004 2 0.34 0 0
3: auc_0--0.5 005 3 0.06 0 0
4: auc_0--0.5 006 4 0.79 0 0
5: auc_0--0.5 007 5 0.07 0 0
---
596: AR_bmi 089 46 0.36 0 0
597: AR_bmi 092 47 0.15 0 0
598: AR_bmi 093 48 0.80 0 0
599: AR_bmi 095 49 0.07 0 0
600: AR_bmi 099 50 0.44 0 0
Code
out <- predict_bmi(fit = res, filter = "source == 'A'")[order(egg_id,
egg_ageyears), egg_bmi := round(egg_bmi, digits = 2)]
out <- head(out, 50)
out[, c(3L, 4L)] <- round(out[, c(3L, 4L)], digits = 2L)
out
Output
egg_id egg_source egg_ageyears egg_bmi
<char> <char> <num> <num>
1: 082 A 0.25 16.18
2: 082 A 0.26 16.26
3: 082 A 0.27 16.33
4: 082 A 0.28 16.40
5: 082 A 0.29 16.47
6: 082 A 0.30 16.54
7: 082 A 0.31 16.61
8: 082 A 0.32 16.67
9: 082 A 0.33 16.73
10: 082 A 0.34 16.79
11: 082 A 0.35 16.85
12: 082 A 0.36 16.90
13: 082 A 0.37 16.96
14: 082 A 0.38 17.01
15: 082 A 0.39 17.06
16: 082 A 0.40 17.11
17: 082 A 0.41 17.16
18: 082 A 0.42 17.20
19: 082 A 0.43 17.25
20: 082 A 0.44 17.29
21: 082 A 0.45 17.33
22: 082 A 0.46 17.37
23: 082 A 0.47 17.40
24: 082 A 0.48 17.44
25: 082 A 0.49 17.47
26: 082 A 0.50 17.50
27: 082 A 0.51 17.53
28: 082 A 0.52 17.56
29: 082 A 0.53 17.59
30: 082 A 0.54 17.62
31: 082 A 0.55 17.64
32: 082 A 0.56 17.66
33: 082 A 0.57 17.69
34: 082 A 0.58 17.71
35: 082 A 0.59 17.73
36: 082 A 0.60 17.74
37: 082 A 0.61 17.76
38: 082 A 0.62 17.78
39: 082 A 0.63 17.79
40: 082 A 0.64 17.80
41: 082 A 0.65 17.81
42: 082 A 0.66 17.82
43: 082 A 0.67 17.83
44: 082 A 0.68 17.84
45: 082 A 0.69 17.85
46: 082 A 0.70 17.86
47: 082 A 0.71 17.86
48: 082 A 0.72 17.87
49: 082 A 0.73 17.87
50: 082 A 0.74 17.87
egg_id egg_source egg_ageyears egg_bmi
mcanouil/eggla documentation built on April 5, 2025, 3:06 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
egg_model
Code
egg_correlations(fit = res2)[, lapply(.SD, round, digits = 2L), .SDcols = is.numeric]
Output
auc_0--0.5 auc_1.5--3.5 auc_6.5--10 auc_12--17 slope_0--0.5 slope_1.5--3.5
<num> <num> <num> <num> <num> <num>
1: 1.00 0.80 0.46 0.35 0.19 0.19
2: 0.80 1.00 0.90 0.84 0.74 0.74
3: 0.46 0.90 1.00 0.99 0.96 0.96
4: 0.35 0.84 0.99 1.00 0.99 0.99
5: 0.19 0.74 0.96 0.99 1.00 1.00
6: 0.19 0.74 0.96 0.99 1.00 1.00
7: 0.19 0.74 0.96 0.99 1.00 1.00
8: 0.19 0.74 0.96 0.99 1.00 1.00
9: 0.20 0.73 0.95 0.98 0.99 0.99
10: -0.19 -0.74 -0.96 -0.98 -1.00 -1.00
11: 0.98 0.90 0.62 0.53 0.38 0.38
12: 0.86 0.99 0.85 0.78 0.66 0.66
slope_6.5--10 slope_12--17 AP_ageyears AR_ageyears AP_bmi AR_bmi
<num> <num> <num> <num> <num> <num>
1: 0.19 0.19 0.20 -0.19 0.98 0.86
2: 0.74 0.74 0.73 -0.74 0.90 0.99
3: 0.96 0.96 0.95 -0.96 0.62 0.85
4: 0.99 0.99 0.98 -0.98 0.53 0.78
5: 1.00 1.00 0.99 -1.00 0.38 0.66
6: 1.00 1.00 0.99 -1.00 0.38 0.66
7: 1.00 1.00 0.99 -1.00 0.38 0.66
8: 1.00 1.00 0.99 -1.00 0.38 0.66
9: 0.99 0.99 1.00 -0.99 0.38 0.66
10: -1.00 -1.00 -0.99 1.00 -0.38 -0.66
11: 0.38 0.38 0.38 -0.38 1.00 0.94
12: 0.66 0.66 0.66 -0.66 0.94 1.00
Code
out <- egg_aucs(fit = res2)
out[, names(out)[-1L]] <- round(out[, names(out)[-1L]], digits = 2L)
out
Output
ID auc_0--0.5 auc_1.5--3.5 auc_6.5--10 auc_12--17
001 001 1.41 5.85 11.46 18.26
004 004 1.37 5.72 11.22 17.89
005 005 1.38 5.77 11.39 18.28
006 006 1.36 5.62 10.83 17.01
007 007 1.38 5.84 11.79 19.28
009 009 1.38 5.71 11.11 17.59
010 010 1.38 5.79 11.54 18.67
011 011 1.38 5.75 11.24 17.88
012 012 1.41 5.81 11.21 17.63
013 013 1.39 5.82 11.60 18.74
016 016 1.38 5.70 11.07 17.51
019 019 1.38 5.76 11.37 18.23
022 022 1.39 5.79 11.38 18.17
025 025 1.38 5.71 11.01 17.30
031 031 1.38 5.71 11.04 17.37
032 032 1.38 5.68 10.94 17.15
033 033 1.41 5.87 11.60 18.63
034 034 1.39 5.78 11.42 18.33
035 035 1.38 5.77 11.40 18.29
039 039 1.40 5.71 10.75 16.52
041 041 1.38 5.74 11.17 17.69
044 044 1.42 5.92 11.69 18.75
045 045 1.38 5.70 10.96 17.16
046 046 1.39 5.74 11.13 17.59
048 048 1.38 5.73 11.10 17.51
049 049 1.39 5.80 11.49 18.47
054 054 1.39 5.73 10.97 17.12
057 057 1.38 5.70 11.01 17.32
059 059 1.38 5.74 11.21 17.83
061 061 1.38 5.68 10.95 17.21
063 063 1.38 5.74 11.25 17.93
064 064 1.36 5.66 11.16 17.88
065 065 1.36 5.70 11.29 18.16
068 068 1.39 5.77 11.33 18.09
069 069 1.37 5.68 10.99 17.33
072 072 1.39 5.76 11.14 17.55
075 075 1.37 5.67 11.03 17.46
076 076 1.39 5.80 11.48 18.45
080 080 1.38 5.77 11.47 18.51
081 081 1.37 5.58 10.45 15.99
082 082 1.38 5.76 11.30 18.04
083 083 1.37 5.61 10.62 16.39
085 085 1.36 5.63 10.83 16.99
086 086 1.38 5.70 11.02 17.35
088 088 1.39 5.76 11.19 17.68
089 089 1.37 5.69 11.11 17.64
092 092 1.39 5.75 11.14 17.56
093 093 1.39 5.87 11.89 19.47
095 095 1.37 5.74 11.33 18.19
099 099 1.39 5.80 11.52 18.56
Code
out <- egg_slopes(fit = res2)
out[, names(out)[-1L]] <- round(out[, names(out)[-1L]], digits = 2L)
out
Output
ID pred_period_0 pred_period_0.5 pred_period_1.5 pred_period_3.5
1 001 2.66 2.91 2.92 2.95
2 004 2.59 2.84 2.85 2.88
3 005 2.61 2.86 2.87 2.91
4 006 2.57 2.82 2.81 2.83
5 007 2.61 2.87 2.89 2.97
6 009 2.60 2.85 2.85 2.88
7 010 2.60 2.86 2.88 2.93
8 011 2.62 2.86 2.87 2.90
9 012 2.66 2.91 2.90 2.92
10 013 2.62 2.88 2.89 2.95
11 016 2.60 2.84 2.85 2.87
12 019 2.61 2.86 2.87 2.91
13 022 2.63 2.88 2.89 2.93
14 025 2.62 2.86 2.86 2.87
15 031 2.61 2.86 2.86 2.88
16 032 2.61 2.85 2.85 2.86
17 033 2.66 2.91 2.92 2.97
18 034 2.62 2.87 2.88 2.92
19 035 2.61 2.86 2.87 2.92
20 039 2.65 2.89 2.87 2.86
21 041 2.62 2.86 2.87 2.89
22 044 2.68 2.93 2.95 2.99
23 045 2.62 2.86 2.85 2.87
24 046 2.62 2.87 2.87 2.89
25 048 2.62 2.86 2.86 2.88
26 049 2.62 2.88 2.89 2.94
27 054 2.64 2.88 2.87 2.88
28 057 2.61 2.85 2.85 2.87
29 059 2.61 2.86 2.86 2.89
30 061 2.60 2.84 2.84 2.86
31 063 2.61 2.86 2.86 2.90
32 064 2.56 2.81 2.82 2.86
33 065 2.57 2.82 2.84 2.88
34 068 2.62 2.87 2.88 2.91
35 069 2.59 2.84 2.84 2.86
36 072 2.64 2.88 2.88 2.90
37 075 2.58 2.83 2.83 2.86
38 076 2.62 2.88 2.89 2.93
39 080 2.60 2.85 2.87 2.92
40 081 2.59 2.83 2.81 2.79
41 082 2.61 2.86 2.87 2.91
42 083 2.59 2.83 2.82 2.81
43 085 2.58 2.82 2.82 2.83
44 086 2.61 2.85 2.85 2.87
45 088 2.63 2.88 2.88 2.90
46 089 2.59 2.84 2.84 2.87
47 092 2.63 2.87 2.87 2.90
48 093 2.62 2.88 2.91 2.98
49 095 2.59 2.85 2.86 2.90
50 099 2.62 2.87 2.89 2.94
pred_period_6.5 pred_period_10 pred_period_12 pred_period_17 slope_0--0.5
1 3.15 3.38 3.50 3.74 0.50
2 3.08 3.31 3.43 3.67 0.50
3 3.12 3.37 3.50 3.76 0.50
4 2.99 3.18 3.28 3.46 0.49
5 3.22 3.51 3.66 3.99 0.52
6 3.06 3.27 3.38 3.60 0.49
7 3.16 3.42 3.56 3.85 0.51
8 3.09 3.32 3.43 3.66 0.50
9 3.09 3.30 3.40 3.60 0.49
10 3.17 3.44 3.58 3.86 0.51
11 3.05 3.26 3.37 3.58 0.49
12 3.12 3.36 3.49 3.74 0.50
13 3.13 3.36 3.48 3.73 0.50
14 3.04 3.24 3.34 3.53 0.49
15 3.05 3.25 3.35 3.54 0.49
16 3.02 3.21 3.31 3.49 0.49
17 3.18 3.43 3.56 3.83 0.50
18 3.13 3.38 3.51 3.77 0.50
19 3.13 3.37 3.50 3.76 0.50
20 2.99 3.14 3.21 3.34 0.47
21 3.08 3.29 3.40 3.62 0.49
22 3.21 3.46 3.59 3.86 0.50
23 3.03 3.22 3.31 3.49 0.49
24 3.07 3.28 3.38 3.59 0.49
25 3.06 3.27 3.37 3.57 0.49
26 3.15 3.40 3.53 3.80 0.50
27 3.04 3.22 3.31 3.48 0.48
28 3.04 3.24 3.34 3.53 0.49
29 3.08 3.31 3.42 3.65 0.50
30 3.02 3.22 3.32 3.51 0.49
31 3.09 3.32 3.44 3.67 0.50
32 3.06 3.30 3.42 3.67 0.50
33 3.09 3.34 3.47 3.74 0.50
34 3.11 3.35 3.47 3.71 0.50
35 3.03 3.24 3.34 3.54 0.49
36 3.07 3.28 3.38 3.58 0.49
37 3.04 3.25 3.36 3.57 0.49
38 3.15 3.40 3.53 3.79 0.50
39 3.14 3.40 3.53 3.81 0.51
40 2.91 3.05 3.11 3.22 0.47
41 3.11 3.34 3.46 3.70 0.50
42 2.95 3.11 3.18 3.32 0.48
43 2.99 3.18 3.28 3.46 0.49
44 3.04 3.24 3.34 3.54 0.49
45 3.08 3.30 3.40 3.61 0.49
46 3.06 3.28 3.39 3.61 0.49
47 3.07 3.28 3.38 3.59 0.49
48 3.24 3.54 3.70 4.03 0.52
49 3.11 3.35 3.48 3.74 0.50
50 3.16 3.41 3.55 3.82 0.51
slope_1.5--3.5 slope_6.5--10 slope_12--17
1 0.02 0.07 0.05
2 0.02 0.07 0.05
3 0.02 0.07 0.05
4 0.01 0.06 0.04
5 0.04 0.08 0.07
6 0.01 0.06 0.04
7 0.03 0.08 0.06
8 0.02 0.06 0.05
9 0.01 0.06 0.04
10 0.03 0.08 0.06
11 0.01 0.06 0.04
12 0.02 0.07 0.05
13 0.02 0.07 0.05
14 0.01 0.06 0.04
15 0.01 0.06 0.04
16 0.01 0.06 0.04
17 0.02 0.07 0.05
18 0.02 0.07 0.05
19 0.02 0.07 0.05
20 -0.01 0.04 0.02
21 0.01 0.06 0.04
22 0.02 0.07 0.05
23 0.01 0.05 0.04
24 0.01 0.06 0.04
25 0.01 0.06 0.04
26 0.02 0.07 0.05
27 0.00 0.05 0.03
28 0.01 0.06 0.04
29 0.02 0.06 0.05
30 0.01 0.06 0.04
31 0.02 0.07 0.05
32 0.02 0.07 0.05
33 0.02 0.07 0.05
34 0.02 0.07 0.05
35 0.01 0.06 0.04
36 0.01 0.06 0.04
37 0.01 0.06 0.04
38 0.02 0.07 0.05
39 0.03 0.07 0.06
40 -0.01 0.04 0.02
41 0.02 0.07 0.05
42 0.00 0.05 0.03
43 0.01 0.05 0.04
44 0.01 0.06 0.04
45 0.01 0.06 0.04
46 0.01 0.06 0.04
47 0.01 0.06 0.04
48 0.04 0.09 0.07
49 0.02 0.07 0.05
50 0.02 0.07 0.06
Code
out <- compute_apar(fit = res2, from = s)[AP | AR]
out[, c(2L, 3L)] <- round(out[, c(2L, 3L)], digits = 2L)
out
Output
egg_id egg_ageyears egg_bmi AP AR
<char> <num> <num> <lgcl> <lgcl>
1: 001 0.80 18.78 TRUE FALSE
2: 001 1.88 18.44 FALSE TRUE
3: 004 0.79 17.57 TRUE FALSE
4: 004 1.90 17.24 FALSE TRUE
5: 005 0.81 17.88 TRUE FALSE
6: 005 1.77 17.62 FALSE TRUE
7: 006 0.77 17.04 TRUE FALSE
8: 006 2.23 16.50 FALSE TRUE
9: 007 0.85 18.14 TRUE FALSE
10: 007 1.38 18.06 FALSE TRUE
11: 009 0.78 17.65 TRUE FALSE
12: 009 2.04 17.22 FALSE TRUE
13: 010 0.82 17.89 TRUE FALSE
14: 010 1.60 17.72 FALSE TRUE
15: 011 0.79 17.94 TRUE FALSE
16: 011 1.95 17.57 FALSE TRUE
17: 012 0.77 18.66 TRUE FALSE
18: 012 2.15 18.12 FALSE TRUE
19: 013 0.82 18.25 TRUE FALSE
20: 013 1.61 18.07 FALSE TRUE
21: 016 0.78 17.57 TRUE FALSE
22: 016 2.07 17.13 FALSE TRUE
23: 019 0.80 17.85 TRUE FALSE
24: 019 1.79 17.58 FALSE TRUE
25: 022 0.80 18.23 TRUE FALSE
26: 022 1.85 17.91 FALSE TRUE
27: 025 0.77 17.83 TRUE FALSE
28: 025 2.20 17.28 FALSE TRUE
29: 031 0.77 17.82 TRUE FALSE
30: 031 2.17 17.30 FALSE TRUE
31: 032 0.77 17.63 TRUE FALSE
32: 032 2.25 17.05 FALSE TRUE
33: 033 0.81 18.81 TRUE FALSE
34: 033 1.72 18.56 FALSE TRUE
35: 034 0.81 18.04 TRUE FALSE
36: 034 1.76 17.79 FALSE TRUE
37: 035 0.81 17.90 TRUE FALSE
38: 035 1.76 17.65 FALSE TRUE
39: 039 0.74 18.26 TRUE FALSE
40: 039 2.65 17.32 FALSE TRUE
41: 041 0.78 17.92 TRUE FALSE
42: 041 2.03 17.49 FALSE TRUE
43: 044 0.81 19.27 TRUE FALSE
44: 044 1.72 19.02 FALSE TRUE
45: 045 0.76 17.80 TRUE FALSE
46: 045 2.26 17.21 FALSE TRUE
47: 046 0.78 17.96 TRUE FALSE
48: 046 2.08 17.50 FALSE TRUE
49: 048 0.78 17.88 TRUE FALSE
50: 048 2.11 17.39 FALSE TRUE
51: 049 0.81 18.18 TRUE FALSE
52: 049 1.72 17.95 FALSE TRUE
53: 054 0.76 18.15 TRUE FALSE
54: 054 2.33 17.49 FALSE TRUE
55: 057 0.77 17.73 TRUE FALSE
56: 057 2.18 17.20 FALSE TRUE
57: 059 0.79 17.81 TRUE FALSE
58: 059 1.96 17.44 FALSE TRUE
59: 061 0.77 17.54 TRUE FALSE
60: 061 2.20 17.00 FALSE TRUE
61: 063 0.79 17.84 TRUE FALSE
62: 063 1.91 17.50 FALSE TRUE
63: 064 0.80 17.02 TRUE FALSE
64: 064 1.83 16.74 FALSE TRUE
65: 065 0.81 17.28 TRUE FALSE
66: 065 1.74 17.05 FALSE TRUE
67: 068 0.80 18.00 TRUE FALSE
68: 068 1.87 17.69 FALSE TRUE
69: 069 0.77 17.45 TRUE FALSE
70: 069 2.13 16.96 FALSE TRUE
71: 072 0.77 18.21 TRUE FALSE
72: 072 2.13 17.71 FALSE TRUE
73: 075 0.78 17.31 TRUE FALSE
74: 075 2.06 16.88 FALSE TRUE
75: 076 0.81 18.19 TRUE FALSE
76: 076 1.73 17.95 FALSE TRUE
77: 080 0.82 17.78 TRUE FALSE
78: 080 1.66 17.59 FALSE TRUE
79: 081 0.73 17.18 TRUE FALSE
80: 081 2.77 16.19 FALSE TRUE
81: 082 0.80 17.94 TRUE FALSE
82: 082 1.88 17.61 FALSE TRUE
83: 083 0.74 17.27 TRUE FALSE
84: 083 2.57 16.45 FALSE TRUE
85: 085 0.76 17.13 TRUE FALSE
86: 085 2.25 16.56 FALSE TRUE
87: 086 0.77 17.70 TRUE FALSE
88: 086 2.16 17.18 FALSE TRUE
89: 088 0.78 18.14 TRUE FALSE
90: 088 2.06 17.69 FALSE TRUE
91: 089 0.79 17.46 TRUE FALSE
92: 089 1.99 17.07 FALSE TRUE
93: 092 0.78 18.10 TRUE FALSE
94: 092 2.11 17.61 FALSE TRUE
95: 093 0.86 18.37 TRUE FALSE
96: 093 1.33 18.30 FALSE TRUE
97: 095 0.81 17.64 TRUE FALSE
98: 095 1.78 17.38 FALSE TRUE
99: 099 0.82 18.13 TRUE FALSE
100: 099 1.68 17.92 FALSE TRUE
egg_id egg_ageyears egg_bmi AP AR
Code
out <- compute_apar(fit = res2, from = s)[AP | AR]
out[, c(2L, 3L)] <- round(out[, c(2L, 3L)], digits = 2L)
out
Output
egg_id egg_ageyears egg_bmi AP AR
<char> <num> <num> <lgcl> <lgcl>
1: 001 0.25 18.29 TRUE FALSE
2: 001 0.50 17.68 FALSE TRUE
3: 004 0.75 19.64 TRUE FALSE
4: 004 2.00 16.23 FALSE TRUE
5: 006 0.50 15.44 TRUE FALSE
6: 006 0.75 14.80 FALSE TRUE
7: 009 0.50 19.01 TRUE FALSE
8: 009 2.00 15.31 FALSE TRUE
9: 010 0.50 17.53 TRUE FALSE
10: 010 1.00 16.64 FALSE TRUE
11: 011 0.50 17.96 TRUE FALSE
12: 011 0.75 16.95 FALSE TRUE
13: 012 0.25 17.88 FALSE TRUE
14: 012 0.75 20.49 TRUE FALSE
15: 016 1.00 19.48 TRUE FALSE
16: 016 3.00 17.00 FALSE TRUE
17: 019 0.75 17.51 TRUE FALSE
18: 019 2.00 14.84 FALSE TRUE
19: 022 0.75 19.22 TRUE FALSE
20: 022 2.00 17.61 FALSE TRUE
21: 025 0.75 19.18 TRUE FALSE
22: 025 4.00 18.46 FALSE TRUE
23: 031 0.75 17.88 TRUE FALSE
24: 031 1.00 17.70 FALSE TRUE
25: 032 0.25 16.91 TRUE FALSE
26: 032 0.50 16.25 FALSE TRUE
27: 033 5.00 20.29 FALSE TRUE
28: 034 0.50 19.82 TRUE FALSE
29: 034 1.00 17.31 FALSE TRUE
30: 035 0.25 20.33 TRUE FALSE
31: 035 0.75 17.34 FALSE TRUE
32: 039 1.00 21.61 TRUE FALSE
33: 039 6.00 19.00 FALSE TRUE
34: 041 1.00 18.32 TRUE FALSE
35: 041 2.00 16.92 FALSE TRUE
36: 044 1.00 23.76 TRUE FALSE
37: 044 3.00 20.28 FALSE TRUE
38: 045 0.25 14.15 FALSE TRUE
39: 045 0.75 18.96 TRUE FALSE
40: 046 0.50 18.93 TRUE FALSE
41: 046 1.00 17.54 FALSE TRUE
42: 048 0.25 19.80 TRUE FALSE
43: 048 2.00 17.61 FALSE TRUE
44: 049 0.75 17.00 TRUE FALSE
45: 049 1.00 16.49 FALSE TRUE
46: 054 0.50 20.51 TRUE FALSE
47: 054 0.75 19.51 FALSE TRUE
48: 057 0.50 17.99 TRUE FALSE
49: 057 0.75 17.54 FALSE TRUE
50: 059 0.75 17.98 TRUE FALSE
51: 059 2.00 16.48 FALSE TRUE
52: 061 0.50 18.98 TRUE FALSE
53: 061 0.75 18.74 FALSE TRUE
54: 063 0.25 16.00 FALSE TRUE
55: 063 0.50 17.12 TRUE FALSE
56: 064 0.25 11.08 FALSE TRUE
57: 064 0.75 16.10 TRUE FALSE
58: 065 0.75 16.01 TRUE FALSE
59: 065 2.00 14.76 FALSE TRUE
60: 068 0.50 17.84 TRUE FALSE
61: 068 0.75 17.61 FALSE TRUE
62: 069 0.75 16.86 TRUE FALSE
63: 069 2.00 15.49 FALSE TRUE
64: 072 0.50 19.05 TRUE FALSE
65: 072 1.00 17.58 FALSE TRUE
66: 075 0.50 14.93 TRUE FALSE
67: 075 0.75 14.91 FALSE TRUE
68: 076 0.50 19.00 TRUE FALSE
69: 076 1.00 17.02 FALSE TRUE
70: 080 0.25 15.14 TRUE FALSE
71: 080 0.50 14.97 FALSE TRUE
72: 081 0.50 17.01 TRUE FALSE
73: 081 0.75 15.52 FALSE TRUE
74: 082 0.50 18.10 TRUE FALSE
75: 082 0.75 16.32 FALSE TRUE
76: 083 0.75 17.41 TRUE FALSE
77: 083 3.00 15.03 FALSE TRUE
78: 085 0.25 14.34 TRUE FALSE
79: 085 0.50 14.28 FALSE TRUE
80: 086 0.50 16.76 TRUE FALSE
81: 086 0.75 16.55 FALSE TRUE
82: 088 0.25 19.13 TRUE FALSE
83: 088 0.75 17.06 FALSE TRUE
84: 089 1.00 17.53 TRUE FALSE
85: 089 2.00 15.63 FALSE TRUE
86: 092 0.75 19.21 TRUE FALSE
87: 092 2.00 17.66 FALSE TRUE
88: 093 0.50 17.12 TRUE FALSE
89: 093 0.75 16.12 FALSE TRUE
90: 095 0.50 17.22 TRUE FALSE
91: 095 0.75 15.16 FALSE TRUE
92: 099 0.50 18.81 TRUE FALSE
93: 099 2.00 17.98 FALSE TRUE
egg_id egg_ageyears egg_bmi AP AR
Code
out <- egg_outliers(fit = res2)
out[, "Distance_IQR"] <- round(out[, "Distance_IQR"], digits = 2L)
out
Output
parameter ID Row Distance_IQR Outlier_IQR Outlier
<char> <char> <int> <num> <num> <num>
1: auc_0--0.5 001 1 0.89 0 0
2: auc_0--0.5 004 2 0.34 0 0
3: auc_0--0.5 005 3 0.06 0 0
4: auc_0--0.5 006 4 0.79 0 0
5: auc_0--0.5 007 5 0.07 0 0
---
596: AR_bmi 089 46 0.36 0 0
597: AR_bmi 092 47 0.15 0 0
598: AR_bmi 093 48 0.80 0 0
599: AR_bmi 095 49 0.07 0 0
600: AR_bmi 099 50 0.44 0 0
Code
out <- predict_bmi(fit = res, filter = "source == 'A'")[order(egg_id,
egg_ageyears), egg_bmi := round(egg_bmi, digits = 2)]
out <- head(out, 50)
out[, c(3L, 4L)] <- round(out[, c(3L, 4L)], digits = 2L)
out
Output
egg_id egg_source egg_ageyears egg_bmi
<char> <char> <num> <num>
1: 082 A 0.25 16.18
2: 082 A 0.26 16.26
3: 082 A 0.27 16.33
4: 082 A 0.28 16.40
5: 082 A 0.29 16.47
6: 082 A 0.30 16.54
7: 082 A 0.31 16.61
8: 082 A 0.32 16.67
9: 082 A 0.33 16.73
10: 082 A 0.34 16.79
11: 082 A 0.35 16.85
12: 082 A 0.36 16.90
13: 082 A 0.37 16.96
14: 082 A 0.38 17.01
15: 082 A 0.39 17.06
16: 082 A 0.40 17.11
17: 082 A 0.41 17.16
18: 082 A 0.42 17.20
19: 082 A 0.43 17.25
20: 082 A 0.44 17.29
21: 082 A 0.45 17.33
22: 082 A 0.46 17.37
23: 082 A 0.47 17.40
24: 082 A 0.48 17.44
25: 082 A 0.49 17.47
26: 082 A 0.50 17.50
27: 082 A 0.51 17.53
28: 082 A 0.52 17.56
29: 082 A 0.53 17.59
30: 082 A 0.54 17.62
31: 082 A 0.55 17.64
32: 082 A 0.56 17.66
33: 082 A 0.57 17.69
34: 082 A 0.58 17.71
35: 082 A 0.59 17.73
36: 082 A 0.60 17.74
37: 082 A 0.61 17.76
38: 082 A 0.62 17.78
39: 082 A 0.63 17.79
40: 082 A 0.64 17.80
41: 082 A 0.65 17.81
42: 082 A 0.66 17.82
43: 082 A 0.67 17.83
44: 082 A 0.68 17.84
45: 082 A 0.69 17.85
46: 082 A 0.70 17.86
47: 082 A 0.71 17.86
48: 082 A 0.72 17.87
49: 082 A 0.73 17.87
50: 082 A 0.74 17.87
egg_id egg_source egg_ageyears egg_bmi
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.