使用 R 在特定列中随机对数据帧进行二次采样而不进行替换答案

【问题标题】：Randomly subsampling a dataframe without replacements in a specific column with R使用 R 在特定列中随机对数据帧进行二次采样而不进行替换
【发布时间】：2021-12-08 14:33:28
【问题描述】：

我有一个具有这种结构的数据框：

> df
factor  y  x
1       2  0
1       3  0
1       1  0
1       2  0
2       3  0
2       1  0
2       3  1
3       4  1
3       3  1 
3       6  3
3       5  2
4       4  1
4       7  8
4       2  1
2       5  3

在实际数据集中，我有 200 行和不同的变量：几个连续变量和一个因子变量，有 70 个级别，每个级别最多 4 个观察值。

我想将我的整个数据帧随机分成 4 个大小相等的组，而无需在每个组内仅在因子变量中进行替换。换句话说，我希望因子变量的每个级别每组不超过一次。

我尝试了不同的解决方案。例如，我尝试将“因子”变量分成四组而不进行替换，如下所示：

factor1 <- as.character(df$factor)

set.seed(123)
group1 <- sample(factor, 35,replace = FALSE) 

factor2 <- setdiff(factor1, group1) 
group2 <- sample(factor2, 35,replace = FALSE) 

# and the same for "group3" and "group4"

但是我不知道如何将组向量（group1、group2 等）与我的 df 中的其他变量（'x' 和 'y'）相关联。

我也试过：

group1 <- sample_n(df, 35, replace = FALSE)

但是这个解决方案也失败了，因为我的数据框不包含重复的行。唯一重复的值在因子变量中。

最后，我尝试使用在回答类似问题here时提出的解决方案，适应我的情况：

random.groups <- function(n.items = 200L, n.groups = 4L,
                          factor = rep(1L, n.items)) {

  splitted.items  <- split(seq.int(n.items), factor)

  shuffled <- lapply(splitted.items, sample)

  1L + (order(unlist(shuffled)) %% n.groups)
}

df$groups <- random.groups(nrow(df), n.groups = 4)

但是，生成的 4 组包含重复的因子变量值，因此某些东西无法正常工作。

我非常感谢任何解决此问题的想法或建议！

【问题讨论】：

使用 dplyr() : new_df % group_by(factor) %>% sample_n(35)。请提供示例输出以了解更多详细信息。

标签： r dataframe sampling

【解决方案1】：

一种方法是按因子分组，创建因子长度的变量，按大小和长度排列。最后，您为第一、第二、第三和第四行分配一个组。然后，您可以使用此变量进行过滤。

library(dplyr)
df <- data_frame(factor = c(1,1,1,1,2,2,2,3,3,3,3,4,4,4,2),
                 x = floor(runif(15, min=0, max=20)),
                 y = floor(runif(15, min=211, max=305)))
df <- df %>% group_by(factor) %>% mutate(size = length(factor)) %>% arrange(desc(size), factor) %>% 
  ungroup() %>%  mutate(group = ifelse(row_number() %% 4 == 1, "A",
                                       ifelse(row_number() %% 4 == 2, "B",
                                              ifelse(row_number() %% 4 == 3, "C", "D"))))

【讨论】：

【解决方案2】：

一个data.table 解决方案演示了一个稍大的数据集：

library(data.table)

dt <- setorder(data.table(factor = sample(10, 44, TRUE), x = runif(44), y = runif(44)), factor)
numGroups <- 4L
maxFactor <- max(dt$factor)
dt2 <- setorder(
  setorder(
    dt[sample(.N, .N)], # randomly reorder the data
    factor              # sort by factor
  )[, temp := cumsum(.I > 0), by = factor] # create a column to keep a running count of the occurrence of each factor
  [temp <= numGroups]                      # remove rows that can't go in a group due to factor exclusion
  [sample(.N, .N) <= (.N %/% numGroups)*numGroups] # randomly remove excess rows (keep the group sizes equal)
  [, temp := sample(10, 10)[factor]]               # randomly reorder factor groups
  [, grp := c(rep(1:numGroups, .N/numGroups))],    # assign each row a group: row 1 -> group 1, row 2 -> group 2 ... 5 -> 1, 6 -> 2, etc.
  grp # sort by group for table readability
)[, temp := NULL] # remove the temporary column

生成的data.table 将具有numGroups 组，如grp 列所示。每个组将具有相同的行数。为了满足无重复因子约束，每组中的行数将是最大可能的。对于较小的样本，请抽取dt2 的子样本（请参阅this question）。

【讨论】：