在数据框中对每组随机采样 n 行

Question

从这些问题 - Random sample of rows from subset of an R dataframe 和 Sample random rows in dataframe 我可以很容易地看到如何从 df 中随机抽样（选择）“n”行，或者从 df 中某个因子的特定级别产生的“n”行.

以下是一些示例数据：

df <- data.frame(matrix(rnorm(80), nrow=40))
df$color <-  rep(c("blue", "red", "yellow", "pink"), each=10)

df[sample(nrow(df), 3), ] #samples 3 random rows from df, without replacement.

例如只需从“粉红色”颜色中随机抽取 3 行 - 使用 library(kimisc):

library(kimisc)
sample.rows(subset(df, color == "pink"), 3)

或编写自定义函数：

sample.df <- function(df, n) df[sample(nrow(df), n), , drop = FALSE]
sample.df(subset(df, color == "pink"), 3)

但是，我想从因子的 每个级别 中抽取 3 个（或 n 个）随机行。 IE。新的 df 将有 12 行（蓝色 3 行，红色 3 行，黄色 3 行，粉红色 3 行）。显然可以运行几次，为每种颜色创建 newdfs，然后将它们绑定在一起，但我正在寻找更简单的解决方案。

Answer 1

在dplyr 0.3 及更高版本中，这工作得很好：

df %>% group_by(color) %>% sample_n(size = 3)

dplyr 的旧版本（版本

我开始使用 dplyr 来回答这个问题，假设这可行：

df %.% group_by(color) %.% sample_n(size = 3)

但事实证明，在 0.2 中，sample_n.grouped_df S3 方法存在但未在 NAMESPACE 文件中注册，因此从未分派。相反，我必须这样做：

df %.% group_by(color) %.% dplyr:::sample_n.grouped_df(size = 3)
Source: local data frame [12 x 3]
Groups: color

            X1         X2  color
8   0.66152710 -0.7767473   blue
1  -0.70293752 -0.2372700   blue
2  -0.46691793 -0.4382669   blue
32 -0.47547565 -1.0179842   pink
31 -0.15254540 -0.6149726   pink
39  0.08135292 -0.2141423   pink
15  0.47721644 -1.5033192    red
16  1.26160230  1.1202527    red
12 -2.18431919  0.2370912    red
24  0.10493757  1.4065835 yellow
21 -0.03950873 -1.1582658 yellow
28 -2.15872261 -1.5499822 yellow

这可能会在未来的更新中得到修复。

Answer 2

您可以使用ave 为每个具有特定因子水平的元素分配一个随机 ID。然后可以选择一定范围内的所有随机ID。

rndid <- with(df, ave(X1, color, FUN=function(x) {sample.int(length(x))}))
df[rndid<=3,]

如果您对此感兴趣，这样做的好处是可以保留原始行顺序和行名。另外，您可以重复使用 rndid 向量来相当轻松地创建不同长度的子集。

Answer 3

我会考虑 my stratified function，它目前作为 GitHub Gist 托管。

获取它：

library(devtools)  ## To download "stratified"
source_gist("https://gist.github.com/mrdwab/6424112")

并将其用于：

stratified(df, "color", 3)

有几种不同的功能便于分层抽样。例如，您还可以采用“即时”的示例。

stratified(df, "color", 3, select = list(color = c("blue", "red")))

---

为了让您了解函数的作用，以下是stratified 的参数：

• df：输入data.frame
• group：构成“层”的一列或多列的字符向量。
• size：所需的样本量。
  • 如果 size 的值小于 1，则从每个层中抽取一个成比例的样本。
  • 如果 size 是 1 或更大的单个整数，则该数量的样本取自每个层。
  • 如果size 是整数向量，则为每个层获取指定数量的样本。建议您使用命名向量。例如，如果您有两个层，“A”和“B”，并且您想要“A”中的 5 个样本和“B”中的 10 个样本，您可以输入 size = c(A = 5, B = 10)。
• select：这允许您在采样过程中对组进行子集化。这是list。例如，如果您的group 变量是“组”，它包含三个层，“A”、“B”和“C”，但您只想从“A”和“C”中抽样，您可以使用select = list(Group = c("A", "C"))。
• replace：用于带替换采样。

Answer 4

这里有一个解决方案。我们将 data.frame 拆分为颜色组。然后我们从每组中抽取 3 行。这会产生一个 data.frames 列表。

df2 <- lapply(split(df, df$color),
   function(subdf) subdf[sample(1:nrow(subdf), 3),]
)

为了得到想要的结果，我们将data.frames列表合并为1个data.frame：

do.call('rbind', df2)
##                    X1          X2  color
## blue.3    -1.22677188  1.25648082   blue
## blue.4    -0.54516686 -1.94342967   blue
## blue.1     0.44647071  0.16283326   blue
## pink.40    0.23520296 -0.40411906   pink
## pink.34    0.02033939 -0.32321309   pink
## pink.33   -1.01790533 -1.22618575   pink
## red.16     1.86545895  1.11691250    red
## red.11     1.35748078 -0.36044728    red
## red.13    -0.02425645  0.85335279    red
## yellow.21  1.96728782 -1.81388110 yellow
## yellow.25 -0.48084967  0.07865186 yellow
## yellow.24 -0.07056236 -0.28514125 yellow

Answer 5

这是一种基本的方法，它允许多个组和替换抽样：

n <- 3
resample <- TRUE
index <- 1:nrow(df)
fun <- function(x) sample(x, n, replace = resample)
a <- aggregate(index, by = list(group = df$color), FUN = fun )

df[c(a$x),]

要添加另一个组，请将其包含在聚合的 'by' 参数中。