按组对数据帧的子集进行采样，样本大小等于数据帧的另一个子集

Question

这是我假设的数据框；

location<- as.factor(rep(c("town1","town2","town3","town4","town5"),100))
visited<- as.factor(rbinom(500,1,.4)) #'Yes or No' variable
variable<- rnorm(500,10,2)
id<- 1:500
DF<- data.frame(id,location,visited,variable)

我想创建一个新的数据框，其中每个位置的 0 和 1 的数量相等。我想通过对每个位置的 0 进行随机抽样来实现这一点（因为 0 比 1 多）。

我发现这个解决方案可以按组抽样；

library(plyr)
ddply(DF[DF$visited=="0",],.(location),function(x) x[sample(nrow(x),size=5),])

我为 size 参数输入了“5”，以便代码运行，但我不知道如何将“size”参数设置为等于 DF$visited==1 的观察次数。

我怀疑答案可能在我审查过的其他问题中，但它们对我来说有点太高级了。

感谢您的帮助。

Answer 1

用好ddply的关键是要明白它会：

1. 将原始数据帧按组分解为更小的数据帧，
2. 然后，对于每个组，它将调用您为其提供的函数，该函数的工作是将数据帧转换到一个新的数据帧*
3. 最后，它会将所有转换后的小数据帧重新拼接在一起。

考虑到这一点，这是一种（我认为）可以解决您的问题的方法。

sampleFunction <- function(df) {
  # Determine whether visited==1 or visited==0 is less common for this location, 
  # and use that count as our sample size.
  n <- min(nrow(df[df$visited=="1",]), nrow(df[df$visited=="0",]))
  # Sample n from the two groups (visited==0 and visited==1).
  ddply(df, .(visited), function(x) x[sample(nrow(x), size=n),])
}

newDF <- ddply(DF,.(location),sampleFunction)

# Just a quick check to make sure we have the equal counts we were looking for.
ddply(newDF, .(location, visited), summarise, N=length(variable))

工作原理

主要的ddply 只是按位置分解DF 并应用sampleFunction，它完成了繁重的工作。

sampleFunction 采用较小的数据帧之一（在您的情况下，每个位置一个），并从中采样相等数量的 visited==1 和 visited==0。它是如何做到的？ 秒调用ddply：这一次，使用location 将其分解，因此我们可以从1 和0 中采样。

另外请注意，我们正在根据出现次数较少的子组（0 或 1）来计算每个位置的样本量，因此即使 0 并不总是多于 1，此解决方案也可以工作。