x2 = seq_range(x2, 5) ) %>% gather_predictions(mod1, mod2) grid #> # 一个 tibble：50 × 4 #> model x1 x2 pred #> #> 1 mod1 -1.0 -1.0 0.996 #> 2 mod1 -1.0 -0.5 -0.395 #> 3 mod1 -1.0 0.0 -1.786 #> 4 mod1 -1.0 0.5 -3.177 #> 5 mod1 -1.0 1.0 -4.569 #> 6 mod1 -0.5 -1.0 1.907 #> # ... 另有 44 行

注意我在 data_grid() 中使用了 seq_range()。我没有使用 x 的每个唯一值，而是在最小值和最大值之间使用了一个由五个值组成的等间距网格。这在这里可能不是特别重要，但总体上是一个有用的技巧。seq_range() 还有另外三个有用的参数：

• pretty = TRUE 会生成一个“漂亮”的序列，即对人眼来说看起来比较美观的序列。如果你想生成输出表格，这会很有用：

seq_range(c(0.0123, 0.923423), n = 5) #> [1] 0.0123 0.2401 0.4679 0.6956 0.9234 seq_range(c(0.0123, 0.923423), n = 5, pretty = TRUE) #> [1] 0.0 0.2 0.4 0.6 0.8 1.0

• trim = 0.1 会截去 10% 的尾部值。如果变量具有长尾分布，而你想专注于在中心附近生成值，这会很有用：

x1 <- rcauchy(100) seq_range(x1, n = 5) #> [1] -115.9 -83.5 -51.2 -18.8 13.5 seq_range(x1, n = 5, trim = 0.10) #> [1] -13.84 -8.71 -3.58 1.55 6.68 seq_range(x1, n = 5, trim = 0.25) #> [1] -2.1735 -1.0594 0.0547 1.1687 2.2828 seq_range(x1, n = 5, trim = 0.50) #> [1] -0.725 -0.268 0.189 0.647 1.104

• expand = 0.1 在某种意义上与 trim() 相反；它将范围扩大 10%：

x2 <- c(0, 1) seq_range(x2, n = 5) #> [1] 0.00 0.25 0.50 0.75 1.00