通过基于两列随机选择值来子集数据框

Question

我有一个数据框，我想通过随机选择 25 个基于 spp == cat 的 ID 值和 25 个基于 spp == dog 的 ID 值来进行子集化。

这是我的示例数据：

ID  spp category    prop
1   cat small_mam   0.99
2   cat small_mam   0.8
2   cat birds       0.15
3   dog large_mam   1
4   dog med_mam     0.4
4   dog emu         0.6
10  dog med_mam     0.8
10  dog birds       0.2
12  dog reptiles    1
13  dog large_mam   1
14  dog large_mam   1
15  dog large_mam   1
27  cat birds       0.2
28  cat small_mam   1
29  cat small_mam   0.75
29  cat birds       0.25
30  cat small_mam   0.7
30  cat birds       0.2

spp 的 ID 值是唯一的，这意味着 cat 和 dog 永远不会具有相同的 ID 值。 ID 范围从 1 到 696，但不一定是唯一的，这是因为 ID 最多可以由 7 个类别组成，因此为每个物种随机子设置 25 行是行不通的。

这个问题背后的背景是，我将抽取 1000 个随机样本，包含 25 只猫和 25 只狗的粪便（UID = 粪便 ID 号），用于使用 package(pgirmess) 中的 piankabio 函数进行饮食重叠的引导计算。

提前感谢您的帮助。

我使用的是 R 版本 3.1.3

Answer 1

使用data.table，您可以这样做：

library(data.table)
subdf <- setDT(mydf)[, sample(ID, 5), by = spp]

根据您提供的示例数据：

> subdf
    spp V1
 1: cat 27
 2: cat 30
 3: cat  2
 4: cat 28
 5: cat 30
 6: dog 10
 7: dog 14
 8: dog 12
 9: dog  4
10: dog 15

当你想保留所有列时（我想你想这样做），你可以这样做：

subdf <- setDT(mydf)[, .SD[sample(.N, 5)], by = spp]

给出：

> subdf
    spp ID  category prop
 1: cat 29 small_mam 0.75
 2: cat  1 small_mam 0.99
 3: cat  2     birds 0.15
 4: cat 30 small_mam 0.70
 5: cat 28 small_mam 1.00
 6: dog 14 large_mam 1.00
 7: dog 15 large_mam 1.00
 8: dog 13 large_mam 1.00
 9: dog 10     birds 0.20
10: dog  4   med_mam 0.40

---

注意：出于解释原因，我使用了 5 个样本，因为示例数据集不足以抽取 25 个样本。

---

针对您的评论，您可以通过以下方式实现：

setDT(mydf)
set.seed(4321)
newdf <- mydf[mydf[, .(ID = sample(unique(ID), 5)), by = spp], on = c("spp", "ID")]

给出：

> newdf
    ID spp  category prop
 1: 27 cat     birds 0.20
 2: 29 cat small_mam 0.75
 3: 29 cat     birds 0.25
 4:  2 cat small_mam 0.80
 5:  2 cat     birds 0.15
 6:  1 cat small_mam 0.99
 7: 28 cat small_mam 1.00
 8: 14 dog large_mam 1.00
 9: 13 dog large_mam 1.00
10: 15 dog large_mam 1.00
11:  4 dog   med_mam 0.40
12:  4 dog       emu 0.60
13: 12 dog  reptiles 1.00

解释：使用mydf[, .(ID = sample(unique(ID), 5)), by = spp]，您可以为spp 的每个类别创建一个具有5 个唯一ID 的索引data.table。然后在 spp 和 ID 上进行连接，使用这个 index-data.table 选择具有这些 ID 的 mydf 部分。