Verwenden von case_when zum Berechnen von z_scores basierend auf dem Land

Das ist mein Code im Moment:

 z_adjusted <- demographics_cleaned %>% 
dplyr::filter(country_live == 'United States of America' | country_live == 'India' | country_live == 'United Kingdom'|country_live == 'Canada') %>% **##filtering only countries of interest** 
mutate(z_score_country = case_when(country_live == 'United Sates of America') ~ (money_per_month - US_m) / US_sd, **##attempting to apply the Z score formula based on country**
(country_live == 'India') ~ (money_per_month - IN_m) / IN_sd), 
(country_live == 'Canada') ~ (money_per_month - CN_m) / CN_sd), 
(country_live == 'United Kingdom') ~ (money_per_month - UK_m) / UK_sd)
) %>%
arrange(desc(z_score_country)) **##arranging to find outliers e.t.c.**

Ich habe die Mittelwerte und Standardabweichungen der Länder außerhalb dieses Codes berechnet und sie den Variablen US_sd, US_m usw. hinzugefügt

Ich möchte case_when verwenden, um die Formel (value - sample mean) / sample SD auszuführen und diese über das Tibble zu mutieren

Dies scheint nicht zu funktionieren. Ich frage mich, ob:

Es gibt einen besseren, eleganteren Weg, dies zu tun

Dieser Weg wird funktionieren, wenn mein Code korrekt ist

Der Fehlercode, den ich bekomme, ist:

 Error: unexpected ',' in:
" mutate(z_score_country = case_when(country_live == 'United Sates of America') ~ ((money_per_month - US_m) / US_sd),
 (country_live == 'India') ~ (money_per_month - IN_m) / IN_sd),"
> (country_live == 'Canada') ~ (money_per_month - CN_m) / CN_sd), 
Error: unexpected ')' in "(country_live == 'Canada') ~ (money_per_month - CN_m) / CN_sd)"
> (country_live == 'United Kingdom') ~ (money_per_month - UK_m) / UK_sd)
Error: unexpected ')' in "(country_live == 'United Kingdom') ~ (money_per_month - UK_m) / UK_sd)"
> ) %>%
Error: unexpected ')' in ")"
> arrange(desc(z_score_country))
Error in desc(z_score_country): object 'z_score_country' not found

Lösung des Problems

Sie können dies einfacher mit einer gruppierten Mutation tun, indem Sie die scale()Basisfunktion verwenden. Sie können auch verwenden %in%, um Ihren Filter zu vereinfachen.

Schließlich würde ich nach dem absoluten Wert von arrangieren z_score_country, um sowohl hohe als auch niedrige Ausreißer zu finden.

library(dplyr)
z_adjusted <- demographics_cleaned %>% 
 filter(country_live %in% c(
 'United States of America', 
 'India', 
 'United Kingdom', 
 'Canada'
 )) %>% 
 group_by(country_live) %>%
 mutate(z_score_country = scale(money_per_month)) %>% 
 ungroup() %>%
 arrange(desc(abs(z_score_country)))