创建一个包含 5 个随机抽样观测值的数据框答案

【问题标题】：creating a dataframe of means of 5 randomly sampled observations创建一个包含 5 个随机抽样观测值的数据框
【发布时间】：2020-06-11 18:20:37
【问题描述】：

我目前正在阅读“面向数据科学家的实用统计”，并在他们演示一些代码时跟随 R 学习。有一段代码我特别难以遵循其逻辑，并希望有人能提供帮助。有问题的代码是创建一个包含 1000 行的数据框，其中每个观察值是从数据框 loans_income 中随机抽取的 5 个收入值的平均值。但是，我对代码的逻辑感到困惑，因为 tapply() 函数和嵌套的 rep() 语句相当复杂。

创建相关数据框的代码如下：

samp_mean_5 <- data.frame(income = tapply(sample(loans_income$income,1000*5),
                                          rep(1:1000,rep(5,1000)),
                                          FUN = mean),
           type='mean_of_5')

特别是，我对嵌套的rep() 语句和sample() 函数的1000*5 部分感到困惑。任何理解代码逻辑的帮助将不胜感激！

作为参考，原始数据集loans_income 仅具有包含 50,000 个收入值的单列。

【问题讨论】：

标签： r logic sample tapply rep

【解决方案1】：

您在一个向量中拥有 50,000 个 loan_income。让我们分解你的代码：

tapply(sample(loans_income$income,1000*5),
       rep(1:1000,rep(5,1000)),
       FUN = mean)

我将 1000 替换为 10，将收入替换为随机数，这样更容易解释。我还设置了set.seed(1)，这样结果就可以复现了。

sample(loans_income$income,1000*5)
我们从您的向量中随机抽取 50 份收入，无需更换。它们（暂时）被放入长度为 50 的向量中，因此输出如下所示：

> sample(runif(50000),10*5)
 [1] 0.73283101 0.60329970 0.29871173 0.12637654 0.48434952 0.01058067 0.32337850
 [8] 0.46873561 0.72334215 0.88515494 0.44036341 0.81386225 0.38118213 0.80978822
[15] 0.38291273 0.79795343 0.23622492 0.21318431 0.59325586 0.78340477 0.25623138
[22] 0.64621658 0.80041393 0.68511759 0.21880083 0.77455662 0.05307712 0.60320912
[29] 0.13191926 0.20816298 0.71600799 0.70328349 0.44408218 0.32696205 0.67845445
[36] 0.64438336 0.13241312 0.86589561 0.01109727 0.52627095 0.39207860 0.54643661
[43] 0.57137320 0.52743012 0.96631114 0.47151170 0.84099503 0.16511902 0.07546454
[50] 0.85970500

rep(1:1000,rep(5,1000))
现在我们正在创建一个长度为 50 的索引向量：

> rep(1:10,rep(5,10))
[1]  1  1  1  1  1  2  2  2  2  2  3  3  3  3  3  4  4  4  4  4  5  5  5  5  5  6  6  6
[29]  6  6  7  7  7  7  7  8  8  8  8  8  9  9  9  9  9 10 10 10 10 10

那些索引“分组”来自步骤 1 的样本。所以基本上这个向量告诉R“样本向量”的前 5 个条目属于一起（索引 1），接下来的 5 个条目属于一起（索引 2）等等。

FUN = mean
只需对数据应用mean-function。
tapply
所以tapply 获取采样数据（sample-part）并按第二个参数（rep()-part）对它们进行分组，并对每个组应用mean-函数。

如果你熟悉 data.frames 和 dplyr 包，看看这个（只显示前 10 行）：

set.seed(1)
df <- data.frame(income=sample(runif(5000),10*5), index=rep(1:10,rep(5,10)))
       income index
1  0.42585569     1
2  0.16931091     1
3  0.48127444     1
4  0.68357403     1
5  0.99374923     1
6  0.53227877     2
7  0.07109499     2
8  0.20754511     2
9  0.35839481     2
10 0.95615917     2

我将索引附加到随机数（您的income）。现在我们计算每组的平均值：

df %>% 
  group_by(index) %>%
  summarise(mean=mean(income))

这给了我们

# A tibble: 10 x 2
   index  mean
   <int> <dbl>
 1     1 0.551
 2     2 0.425
 3     3 0.827
 4     4 0.391
 5     5 0.590
 6     6 0.373
 7     7 0.514
 8     8 0.451
 9     9 0.566
10    10 0.435

比较一下

set.seed(1)
tapply(sample(runif(5000),10*5),
       rep(1:10,rep(5,10)),
       mean)

产生基本相同的结果：

        1         2         3         4         5         6         7         8         9 
0.5507529 0.4250946 0.8273149 0.3905850 0.5902823 0.3730092 0.5143829 0.4512932 0.5658460 
       10 
0.4352546

【讨论】：

感谢您的回复。 (1.) 将 '1000*5' 作为示例函数的第二个参数而不是仅键入 '5000' 是否有任何约定？（或 50，在您的示例中）
(2.) 第二个嵌套的 rep() 函数满足 rep() 函数的哪个参数？查看文档，它是“时间”参数吗？我知道这一步的总体目的是创建一个索引向量，但我想我正在努力思考它是如何做到的
我一直想深入研究 dplyr 包，因为到目前为止我对它的了解还很肤浅。但它看起来非常有用！谢谢你的建议
@cliftjc1 (1) 我不知道任何约定。我猜1000*5 应该明确表明您正在为 1000 个观察值绘制每 5 个样本。将其分解为 1000*5 可以让您更轻松地（出于建模目的）将其替换为 n*m 并使用可变数量的样本和观察值。
(2) rep() 的第二个参数是时间参数。因此，对于第一个参数的每个条目，它包含重复次数（在这种情况下：每个条目将重复 5 次）。看看rep(1:10, 1:10)。