如何在R中创建具有相等随机分布的数据子集答案

【问题标题】：How to create sub set of data with equal random distribution in R如何在R中创建具有相等随机分布的数据子集
【发布时间】：2021-07-09 09:35:36
【问题描述】：

我在 R 中有以下提到的数据框：

ID      Unique_Id      Date                  Status
I-1     UR-112         2020-01-01 14:15:16   Approved
I-2     UR-112         2020-02-12 14:15:16   In Process
I-3     UR-112         2020-03-23 14:15:16   In Process
I-4     UR-113         2020-01-01 14:15:16   Hold
I-5     UR-113         2020-04-11 14:15:16   Hold
I-6     UR-114         2020-04-07 14:15:16   Approved
I-7     UR-114         2020-05-08 14:15:16   Approved
I-8     UR-114         2020-05-09 14:15:16   In Process
I-9     UR-115         2020-01-18 14:15:16   Approved
I-10    UR-115         2020-03-23 14:15:16   Approved
I-11    UR-116         2020-02-11 14:15:16   Approved

我需要创建一个随机 3 Unique_Id 的子集，它分布在所有 Date 中，这三个 Unique_Id 必须属于可用的 Status。

需要的输出

ID      Unique_Id      Date                  Status
I-1     UR-112         2020-01-01 14:15:16   Approved
I-2     UR-112         2020-02-12 14:15:16   In Process
I-3     UR-112         2020-03-23 14:15:16   In Process
I-4     UR-113         2020-01-01 14:15:16   Hold
I-5     UR-113         2020-04-11 14:15:16   Hold
I-11    UR-116         2020-02-11 14:15:16   Approved

【问题讨论】：

也许：x[x$x$Unique_Id %in% sample(unique(x$Unique_Id), 3),]
@GKi- 谢谢，我已经尝试过了，但它没有涵盖Status 部分。
Status应考虑哪些条件？
@GKi- 所有可用的唯一值。
如果Status 有三个可能的值，并且您被限制为三个随机的Unique_Ids，并且需要每个可能的状态值至少表示一次，那么唯一可能的选择是为Status 的每个值选择一个Unique_Id。如果Status 的可能值超过三个，则无解。还是我错过了什么？

标签： r dataframe dplyr data.table tidyverse

【解决方案1】：

使用 GKi 的数据，这是另一种选择：

setDT(x)
x[Unique_Id %chin%
    x[sample(.N)][.(unique(Status)), on=.(Status), mult="first", Unique_Id]
]

【讨论】：

【解决方案2】：

也许使用如下循环：

id <- character(0)
while(length(id) != 3) {
  id <- character(0)
  for(i in unique(x$Status)) {id <-
   c(id, sample(setdiff(x$Unique_Id[x$Status == i], id), 1))}
}

x[x$Unique_Id %in% id,]
#     ID Unique_Id                Date     Status
#4   I-4    UR-113 2020-01-01 14:15:16       Hold
#5   I-5    UR-113 2020-04-11 14:15:16       Hold
#6   I-6    UR-114 2020-04-07 14:15:16   Approved
#7   I-7    UR-114 2020-05-08 14:15:16   Approved
#8   I-8    UR-114 2020-05-09 14:15:16 In Process
#9   I-9    UR-115 2020-01-18 14:15:16   Approved
#10 I-10    UR-115 2020-03-23 14:15:16   Approved

数据：

x <- structure(list(ID = c("I-1", "I-2", "I-3", "I-4", "I-5", "I-6", 
"I-7", "I-8", "I-9", "I-10", "I-11"), Unique_Id = c("UR-112", 
"UR-112", "UR-112", "UR-113", "UR-113", "UR-114", "UR-114", "UR-114", 
"UR-115", "UR-115", "UR-116"), Date = c("2020-01-01 14:15:16", 
"2020-02-12 14:15:16", "2020-03-23 14:15:16", "2020-01-01 14:15:16", 
"2020-04-11 14:15:16", "2020-04-07 14:15:16", "2020-05-08 14:15:16", 
"2020-05-09 14:15:16", "2020-01-18 14:15:16", "2020-03-23 14:15:16", 
"2020-02-11 14:15:16"), Status = c("Approved", "In Process", 
"In Process", "Hold", "Hold", "Approved", "Approved", "In Process", 
"Approved", "Approved", "Approved")), class = "data.frame", row.names = c(NA, 
-11L))

【讨论】：

运行 100 万个数据集需要很长时间。
有没有办法让这个过程更快？