按组使用权重生成随机样本

Question

我正在尝试使用组随机抽样data.table。每个组的样本大小将通过将频率乘以Sample_Size 来计算，这是输出data.table 中的预期行数。

我在 SO 上研究了这个主题。似乎类似的线程（Need to randomly sample a data set with multiple groups each with multiple factors 和 take randomly sample based on groups）假设权重分布均匀，这对我不起作用。

这是测试数据：

InputDT <- data.table::data.table ("Country"=c(rep("A",20),rep("B",10),rep("C",5),rep("D",2)), "ID"=c(1:20,101:110,201:205,301:302))

目标是按国家/地区对 ID 进行抽样。

这是我们想要的频率：

CountryFreq <- 
 data.table::data.table("Country"=unique(InputDT$Country), "Freq"=c(4/10,2/10,2/10,2/10))

这是输出data.table中的行数：

 Sample_Size <- 10

作为一项规则，我们假设Sample_Size < nrows(InputDT)

这是手动创建的示例输出：

OutputDT <- structure(list(Country = c("A", "A", "A", "A", "B", "B", "C", 
"C", "D", "D"), ID = c(1, 5, 7, 3, 102, 109, 203, 204, 301, 302
)), .Names = c("Country", "ID"), row.names = c(NA, 10L), class = "data.frame")

这是一个检查频率是否符合需要的测试：

Hmisc::describe(OutputDT$Country)

OutputDT$Country 
       n  missing distinct 
      10        0        4 

Value        A   B   C   D
Frequency    4   2   2   2
Proportion 0.4 0.2 0.2 0.2

有人可以帮帮我吗？我花了将近一天的时间尝试学习 R 中的采样，然后根据我的需要对其进行自定义。如有任何帮助，我将不胜感激。

Answer 1

您可以先以国家频率加入InputDT，然后再对每个国家/地区进行如下抽样：

InputDT[CountryFreq,
    .SD[sample(.N, min(.N, Freq*Sample_Size))], 
    by=.EACHI,
    on=.(Country)]

注意事项：

InputDT[i=CountryFreq, on=.(Country)] 以 Country 作为键将 CountryFreq 与 InputDT 连接起来。

by=.EACHI 为i=CountryFreq 中的每一行执行此j=.SD[sample(.N, min(.N, Freq*Sample_Size))]。注意 by=.EACHI 目前仅适用于 equi-join。

.SD 是InputDT 的数据子集，即i 的每一行中每个Country 的每个InputDT 的数据子集，因为by=.EACHI。 .SD 只是真正在InputDT 范围内，只能在j 中使用。见?data.table。要了解更多信息，请查看词法作用域。 Hadley Wickham 的 Advanced R 是一个很好的参考。

sample(.N, min(.N, Freq*Sample_Size)) 从.SD 的行数中采样Freq*Sample_Size 索引，而min 确保您采样的样本不会超过该国家/地区的可用样本。

最后，.SD[sample(.N, min(.N, Freq*Sample_Size))] 子集采样了 .SD 的行。

---

编辑：从 R 控制台显示示例运行。

> InputDT[CountryFreq,
+     .SD[sample(.N, min(.N, Freq*Sample_Size))], 
+     by=.EACHI,
+     on=.(Country)]
    Country  ID
 1:       A  19
 2:       A   7
 3:       A   5
 4:       A   3
 5:       B 109
 6:       B 110
 7:       C 203
 8:       C 205
 9:       D 302
10:       D 301
> InputDT[CountryFreq,
+     .SD[sample(.N, min(.N, Freq*Sample_Size))], 
+     by=.EACHI,
+     on=.(Country)]
    Country  ID
 1:       A  12
 2:       A  19
 3:       A  17
 4:       A  10
 5:       B 110
 6:       B 105
 7:       C 202
 8:       C 203
 9:       D 302
10:       D 301
> InputDT[CountryFreq,
+     .SD[sample(.N, min(.N, Freq*Sample_Size))], 
+     by=.EACHI,
+     on=.(Country)]
    Country  ID
 1:       A   9
 2:       A   7
 3:       A  19
 4:       A   6
 5:       B 106
 6:       B 108
 7:       C 205
 8:       C 201
 9:       D 302
10:       D 301

Answer 2

我们可以的

InputDT[, rbindlist(Map(function(x, y) x[sample(seq_len(nrow(x)), y)], 
        split(.SD, Country), freq))]

数据

freq <- c(4, 2, 2, 2)