选择高于阈值的所有值，然后选择低于阈值的值的随机样本答案

【问题标题】：Selecting all values above a threshold and then a random sample of the values below the threshold选择高于阈值的所有值，然后选择低于阈值的值的随机样本
【发布时间】：2014-12-23 15:42:33
【问题描述】：

以cars 数据集为例（如下所示），我想创建一个新的data.frame，方法是选择cars$speed >= 12 的所有行，并从cars$ 的行中随机抽取5 个样本速度

> head(cars)
  speed dist
1     4    2
2     4   10
3     7    4
4     7   22
5     8   16
6     9   10

我可以通过多个步骤首先使用

选择 speed >= 12 的行

one <- cars[cars$speed >=12 , ]

然后选择 5 个随机样本，其中 cars$speed

two <- cars[sample( which( cars$speed < 12) , 5 ) , ]

然后rbind() 两个data.frames。

但是，我想将代码添加到更大的循环中，并且具有相同结果的单个步骤将是非常可取的。

提前感谢您的任何建议。

【问题讨论】：

标签： r

【解决方案1】：

我认为您仍然需要 rbind 结果，但您可以在一行代码中完成。我使用了 dplyr 的 sample_n 函数进行采样：

library(dplyr)

rbind(sample_n(cars[cars$speed<12,], 5), cars[cars$speed>=12,])

如果您需要比rbind 更快的东西，dplyr 还具有rbind_list 功能。

【讨论】：

【解决方案2】：

我不确定这还能压缩多少，但这里有一种方法：

library(data.table)
cdt <- data.table(cars)
set.seed(1)
##
rbind(
  cdt[speed>11,],
  cdt[speed<12,][sample(1:.N,5),])

并且只是为了表明正确采样了 5 行，

R> rbind(
    cdt[speed>11,],
    cdt[speed<12,][sample(1:.N,5),]
    )[order(speed)][1:8,]
   speed dist
1:     4    2
2:     7   22
3:     7    4
4:     8   16
5:    10   18
6:    12   14
7:    12   20
8:    12   24

这不一定是data.table 特定的方法，我只是觉得语法好用。此外，如果您的实际数据非常大，您可能会看到使用data.table 并将rbind(<first subset>, <second subset>) 替换为rbindlist(list(<first subset>,<second subset>)) 带来的性能优势。

编辑：感谢@Arun，另一个data.table 方法：

cdt[
  ,if (grp) .SD else .SD[sample(.N, 5L)],
  .(grp=speed>11), 
  .SDcols=1:2]

【讨论】：

@Arun 谢谢！ data.table 为单个包提供了异常丰富的语法，因此学习更多它的语法总是很好的。我不知道您可以这样定义内联组。

【解决方案3】：

也许是一个不太优雅的解决方案，但只使用普通的香草 R：

cars[c(which(cars$speed >=12),sample(which(cars$speed < 12) , 5 )) ,]

这可能不会加快速度，但可以避免额外调用 rbind。

【讨论】：