Пример n случайных строк для каждой группы в кадре данных
Из этих вопросов – случайная выборка строк из подмножества R-кадра данных и выборочные случайные строки в фрейме данных. Я могу легко увидеть, как случайным образом выбирать (выбирать) «n» строки из строк df или «n», которые исходят из определенного уровня коэффициента внутри df.
Вот несколько примеров данных:
df <- data.frame(matrix(rnorm(80), nrow=40)) df$color <- rep(c("blue", "red", "yellow", "pink"), each=10) df[sample(nrow(df), 3), ] #samples 3 random rows from df, without replacement. Например, например, образец 3 случайных строк из «розового» цвета – с использованием library(kimisc) :
- Триггеры MySQL не могут обновлять строки в той же таблице, которой назначен триггер. Предлагаемое решение?
- Ограничить максимальное количество строк таблицы sqlite
- Получение событий из базы данных
- NoSql vs Реляционная firebase database
- NULL разрешено в основном ключе - почему и в какой СУБД?
library(kimisc) sample.rows(subset(df, color == "pink"), 3)
или написание пользовательской функции:
sample.df <- function(df, n) df[sample(nrow(df), n), , drop = FALSE] sample.df(subset(df, color == "pink"), 3)
Тем не менее, я хочу отбирать 3 (или n) случайные строки с каждого уровня фактора. Т.е. новый df будет иметь 12 рядов (3 от синего, 3 от красного, 3 от желтого, 3 от розового). Очевидно, что можно запускать это несколько раз, создавать newdfs для каждого цвета, а затем связывать их вместе, но я ищу более простое решение.
- Что означает набор символов и сортировка?
- Создать UserID, даже если имена пользователей уникальны?
- Лучший способ автоматической привязки данных между базой данных и пользовательским интерфейсом в приложении java swing?
- Альтернативы атрибуту-атрибуту (EAV)?
- Суррогат против естественных / бизнес-ключей
- Как удалить в структуре данных кучи?
- Как вам нравятся ваши первичные ключи?
- Реализация комментариев и комментариев в базе данных
Вы можете назначить случайный идентификатор для каждого элемента, который имеет определенный факторный уровень, используя ave . Затем вы можете выбрать все случайные идентификаторы в определенном диапазоне.
rndid <- with(df, ave(X1, color, FUN=function(x) {sample.int(length(x))})) df[rndid<=3,]
Это имеет то преимущество, что вы сохраняете исходные строки и имена строк, если это то, что вас интересует. Кроме того, вы можете повторно использовать вектор rndid для создания подмножества разной длины довольно легко.
В версиях dplyr 0.3 и более поздних версий это прекрасно работает:
df %>% group_by(color) %>% sample_n(size = 3)
Старые версии dplyr (версия <= 0.2)
Я решил ответить на это с помощью dplyr , предполагая, что это сработает:
df %.% group_by(color) %.% sample_n(size = 3)
Но оказывается, что в 0.2 метод sample_n.grouped_df S3 существует, но не зарегистрирован в файле NAMESPACE, поэтому он никогда не отправляется. Вместо этого я должен был сделать это:
df %.% group_by(color) %.% dplyr:::sample_n.grouped_df(size = 3) Source: local data frame [12 x 3] Groups: color X1 X2 color 8 0.66152710 -0.7767473 blue 1 -0.70293752 -0.2372700 blue 2 -0.46691793 -0.4382669 blue 32 -0.47547565 -1.0179842 pink 31 -0.15254540 -0.6149726 pink 39 0.08135292 -0.2141423 pink 15 0.47721644 -1.5033192 red 16 1.26160230 1.1202527 red 12 -2.18431919 0.2370912 red 24 0.10493757 1.4065835 yellow 21 -0.03950873 -1.1582658 yellow 28 -2.15872261 -1.5499822 yellow
Предположительно это будет исправлено в будущем обновлении.
Я бы рассмотрел мою stratified функцию , которая в настоящее время размещается как GitHub Gist.
Получите это с помощью:
library(devtools) ## To download "stratified" source_gist("https://gist.github.com/mrdwab/6424112")
И используйте его с:
stratified(df, "color", 3)
Существует несколько различных функций, которые удобны для стратифицированной выборки. Например, вы также можете взять образец «на лету».
stratified(df, "color", 3, select = list(color = c("blue", "red")))
Чтобы дать вам представление о том, что делает функция, вот аргументы для stratified :
-
df: входныеdata.frame -
group: символьный вектор столбца или столбцов, составляющих «страты». -
size: желаемый размер выборки.- Если
size– это значение меньше 1, из каждой страты берется пропорциональная выборка. - Если
sizeпредставляет собой одно целое число от 1 или более, это количество выборок берется из каждой страты. - Если
sizeпредставляет собой вектор целых чисел, указанное количество выборок берется для каждой страты. Рекомендуется использовать именованный вектор . Например, если у вас есть две страты, «A» и «B», и вам нужно 5 образцов из «A» и 10 из «B», вы должны ввестиsize = c(A = 5, B = 10).
- Если
-
select: Это позволяет вам подмножать группы в процессе выборки. Этоlist. Например, если вашаgroupпеременная была «Group», и она содержала три страты: «A», «B» и «C», но вы хотели только попробовать с «A» и «C», вы можете использоватьselect = list(Group = c("A", "C")). -
replace: для отбора проб с заменой.
Вот решение. Мы разделили data.frame на группы цветов. Из каждой такой группы мы выбираем 3 строки. В результате мы получаем список data.frames.
df2 <- lapply(split(df, df$color), function(subdf) subdf[sample(1:nrow(subdf), 3),] )
Затем список data.frames должен быть объединен в 1 data.frame:
do.call('rbind', df2) ## X1 X2 color ## blue.3 -1.22677188 1.25648082 blue ## blue.4 -0.54516686 -1.94342967 blue ## blue.1 0.44647071 0.16283326 blue ## pink.40 0.23520296 -0.40411906 pink ## pink.34 0.02033939 -0.32321309 pink ## pink.33 -1.01790533 -1.22618575 pink ## red.16 1.86545895 1.11691250 red ## red.11 1.35748078 -0.36044728 red ## red.13 -0.02425645 0.85335279 red ## yellow.21 1.96728782 -1.81388110 yellow ## yellow.25 -0.48084967 0.07865186 yellow ## yellow.24 -0.07056236 -0.28514125 yellow
В основе лежит способ, который позволяет использовать несколько групп и выборку с заменой:
n <- 3 resample <- TRUE index <- 1:nrow(df) fun <- function(x) sample(x, n, replace = resample) a <- aggregate(index, by = list(group = df$color), FUN = fun ) df[c(a$x),]
Чтобы добавить другую группу, включите ее в аргумент 'by' для агрегирования.