如何对数据进行子集化以实现所需的数据混合？答案

【问题标题】：How to subset data to achieve desired data mix?如何对数据进行子集化以实现所需的数据混合？
【发布时间】：2019-09-05 22:45:26
【问题描述】：

是否有任何 R 函数可以选择数据的随机子集以获得所需的混合？

例如，我有 100 行 1、2、3 和 4，每组占 25%。但相反，我希望通过随机选择理想的 100 行的最大数量来实现这一目标，例如 20%、20%、35%、25%。

我尝试手动减少比例高于所需比例（1 和 2）的组的数量，但这效率不高。

有没有更简单的方法？

这个问题的延伸是：假设我有两列 A & B 和 100 行。 A 的值是 1 - 4，各占 25%，B 的 c("a", "b", "c") 各占 33%。我如何随机子集有 1-4 的比例分别为 20%、20%、35%、25% 和 (a,b,c) 的比例分别为 20%、30%、50%？

A  B
1  a
2  b
3  c
4  a
1  b
2  c
3  a
4  b
.....

【问题讨论】：

标签： r random

【解决方案1】：

以下是您的第一个问题。我们可以使用dplyr 和purrr 中的函数来实现这一点。

set.seed(1)

# Create example data frame
dat <- data.frame(A = rep(1:4, times = 25),
                  B = c(rep(c("a", "b", "c"), times = 33), "a"),
                  stringsAsFactors = FALSE)
library(dplyr)
library(purrr)

dat2 <- dat %>%
  group_split(A) %>%
  map2_dfr(c(0.2, 0.2, 0.35, 0.25), ~sample_frac(.x, .y))

dat2
# # A tibble: 25 x 2
#       A B    
#   <int> <chr>
#  1     1 a    
#  2     1 a    
#  3     1 a    
#  4     1 a    
#  5     1 b    
#  6     2 c    
#  7     2 c    
#  8     2 c    
#  9     2 a    
# 10     2 b    
# # ... with 15 more rows

这是针对您的问题 2。我们需要计算每个组合的联合概率。之后，我们可以为此应用与问题1类似的代码。

set.seed(1)

# Create a larger data frame for demonstration 
dat3 <- do.call("rbind", replicate(100, dat, simplify = FALSE))

# Calculate the joint probability
p1 <- c("1" = 0.2, "2" = 0.2, "3" = 0.35, "4" = 0.25)
p2 <- c("a" = 0.2, "b" = 0.3, "c" = 0.5)

p <- as.vector(t(outer(p1, p2)))

dat4 <- dat3 %>%
  group_split(A, B) %>%
  map2_dfr(p, ~sample_frac(.x, .y))

# Verify the results

dat4 %>%
  count(A) %>%
  mutate(P = n/nrow(dat4))
# # A tibble: 4 x 3
#       A     n     P
#   <int> <int> <dbl>
# 1     1   164 0.197
# 2     2   166 0.199
# 3     3   298 0.358
# 4     4   205 0.246

dat4 %>%
  count(B) %>%
  mutate(P = n/nrow(dat4))
# # A tibble: 3 x 3
#   B         n     P
#   <chr> <int> <dbl>
# 1 a       169 0.203
# 2 b       246 0.295
# 3 c       418 0.502

【讨论】：

谢谢！这有效，但它大大减少了数据大小。有没有办法减少最小数据量？