从数据帧的子集采样，其中子集以 R 中另一个数据帧的值为条件

Question

R 中有两个数据框。一个包含每个人和他们居住的区域的一行。例如

df1 = data.frame(Person_ID = seq(1,10,1), Area = c("A","A","A","B","B","C","D","A","D","C"))

另一个数据框包含每个Area 的人口统计信息。

例如性别df2 = data.frame(Area = c("A","A","B","B","C","C","D","D"), gender = c("M","F","M","F","M","F","M","F"), probability = c(0.4,0.6,0.55,0.45,0.6,0.4,0.5,0.5))

在df1 中，我想创建一个性别列，其中对于df1 的每一行，我从df2 的适当子集中抽取一个性别。 例如，对于 df1 的第 1 行，我将从 df2 %>% filter(Area == "A") 中抽取性别

问题是如何在没有 for 循环的情况下对所有行执行此操作，因为实际上df1 最多可以有 500 万行？

Answer 1

尝试使用以下方法：

library(dplyr)
library(tidyr)

out <- df1 %>%
         nest(data = -Area) %>%
         left_join(df2, by = 'Area') %>%
         group_by(Area) %>%
         summarise(data = map(data, ~.x %>% 
                                      mutate(gender = sample(gender, n(), 
                                      prob = probability, replace = TRUE)))) %>%
         distinct(Area, .keep_all = TRUE) %>%
         unnest(data)

我们首先 nest df1 并通过 Area 加入 df2。对于每个Area，我们samplegender 的值基于df2 和df2 中的probability 和unnest 以获得长数据帧。

df1 中没有足够的样本来验证结果，但是如果我们增加df1 中的行数，比例应该与df2 中的probability 相似。