按列标准和随机抽样 data.table 的行答案

【问题标题】：Subset by column criteria AND randomly sample rows of a data.table按列标准和随机抽样 data.table 的行
【发布时间】：2019-07-04 17:54:34
【问题描述】：

@gented 的回答 here 演示了如何从 data.table 中随机选择行的子集。

如果我想选择 data.table 中某一列中的值满足特定条件的所有行，并另外从 data.table 中选择同一列中的值的随机行子集，该怎么办？满足不同的条件？

假设，例如，我想要从mtcars data.table 中随机抽取 5 行样本，其中 cyl == 6，和 cyl == 8 的所有行。

这是否比以下方式更好：

rbind(
    mtcars[ cyl == 8 ],
    mtcars[ cyl == 6 ][ sample(.N, 5) ]
)

也就是说，我是否可以将data.table 子集到一组[] 中，以便例如在该调用中应用一个函数（以lapply(.SD, function) 格式）？

这显然没有达到预期的结果，但与我正在寻找的语法相似：

mtcars[ 
    cyl == 8 | ( cyl == 6 & sample( .N, 5 ) ), 
    lapply(.SD, generic_funciton), 
    .SDcols = (specific_cols) 
]

【问题讨论】：

标签： r data.table

【解决方案1】：

为此，我将使用.I 特殊符号，如下所示：

DT <- as.data.table(mtcars)

DT[c(DT[, .I[cyl == 8]], sample(DT[, .I[cyl == 6]], 5))]

现在你可以做一些计算了：

set.seed(2019)
DT[c(DT[, .I[cyl == 8]], sample(DT[, .I[cyl == 6]], 5))
   , lapply(.SD, mean)
   , by = am
   , .SDcols = 3:5]

给出：

   am   disp       hp     drat
1:  0 325.64 179.0667 3.224667
2:  1 243.00 204.7500 3.890000

如果你想在以后重用那个索引向量，你可以预先存储它：

idx <- c(DT[, .I[cyl == 8]], sample(DT[, .I[cyl == 6]], 5))

DT[idx, lapply(.SD, mean), .SDcols = 3:5]

【讨论】：

【解决方案2】：

只要i 最终得到可用于选择行的东西，你可以在那里放任何有效的表达，这在技术上意味着你可以写：

DT[c(sample(which(cyl == 6), 5L), which(cyl == 8))]

但这可能不会从optimizations 中受益。

基于this answer （和secondary indices），我认为这样的事情会更快：

sample_if <- function(condition, values, n) {
  if (condition)
    sample(values, n)
  else
    values
}

some_fun <- function(.SD) {
  .SD
}

DT[DT[.(c(6, 8)), sample_if(.BY$cyl == 6, .I, 5L), by = "cyl", on = "cyl"]$V1,
   some_fun(.SD),
   .SDcols = c("cyl", "mpg")]
    cyl  mpg
 1:   6 19.7
 2:   6 19.2
 3:   6 21.4
 4:   6 21.0
 5:   6 18.1
 6:   8 18.7
 7:   8 14.3
 8:   8 16.4
 9:   8 17.3
10:   8 15.2
11:   8 10.4
12:   8 10.4
13:   8 14.7
14:   8 15.5
15:   8 15.2
16:   8 13.3
17:   8 19.2
18:   8 15.8
19:   8 15.0

【讨论】：