从重复的 IDS 中选择随机行答案

【问题标题】：Select random rows from duplicate IDS从重复的 IDS 中选择随机行
【发布时间】：2016-07-21 18:32:53
【问题描述】：

我正在处理一个数据集，其中有学生对教师的评分。有些学生不止一次给同一位老师打分。我想对数据做的是使用以下标准对其进行子集化：

1) 保留所有唯一的学生 ID 和评分

2) 在学生对老师进行两次评分的情况下，只保留 1 个评分，但要随机选择要保留的评分。

3) 如果可能的话，我希望能够在每个分析文件顶部的 munging 脚本中运行代码，并确保为每个分析创建的数据集完全相同（设置种子？）。

# data
student.id <- c(1,1,2,3,3,4,5,6,7,7,7,8,9)
teacher.id <- c(1,1,1,1,1,2,2,2,2,2,2,2,2)
rating <- c(100,99,89,100,99,87,24,52,100,99,89,79,12)
df <- data.frame(student.id,teacher.id,rating)

感谢您就如何前进提供任何指导。

【问题讨论】：

标签： r

【解决方案1】：

假设每个student.id只适用于一位老师，您可以使用以下方法。

# get a list containing data.frames for each student
myList <- split(df, df$student.id)

# take a sample of each data.frame if more than one observation or the single observation
# bind the result together into a data.frame
set.seed(1234)
do.call(rbind, lapply(myList, function(x) if(nrow(x) > 1) x[sample(nrow(x), 1), ] else x))

  student.id teacher.id rating
1          1          1    100
2          2          1     89
3          3          1     99
4          4          2     87
5          5          2     24
6          6          2     52
7          7          2     99
8          8          2     79
9          9          2     12

如果同一个 student.id 对多个教师进行评分，则此方法需要使用 interaction 函数构造一个新变量：

# create new interaction variable
df$stud.teach <- interaction(df$student.id, df$teacher.id)

myList <- split(df, df$stud.teach)

那么剩下的代码与上面的相同。

一种可能更快的方法是使用data.table 库和rbindlist。

library(data.table)
# convert into a data.table
setDT(df)

myList <- split(df, df$stud.teach)

# put together data.frame with rbindlist
rbindlist(lapply(myList, function(x) if(nrow(x) > 1) x[sample(nrow(x), 1), ] else x))

【讨论】：

如果一个学生给多位老师打分会有什么变化？我可以更新我的数据。
拆分必须在与教师和学生 ID 交互的变量上。请参阅我的更新答案。
太棒了。这很有帮助！有没有办法加快该代码？我有 100,000 个 IDS，所以在最终的 do.call 中收敛到一个解决方案是很慢的，或者这是否尽快？
我添加了一个data.table 方法，可以加快速度。
这些太棒了。

【解决方案2】：

现在使用data.table 可以更快地完成此操作。您的问题相当于从组内采样行，请参阅

Sample random rows within each group in a data.table

【讨论】：