具有随机布尔值的新列，同时控制每个类别的 TRUE/FALSE 比率

Question

在 R 中，我有一个像这样的数据集：

df <- data.frame(
  ID = c(1:30),
  x1 = seq(0, 1, length.out = 30),
  x2 = seq(100, 3000, length.out = 30),
  category = gl(3, 10, labels = c("NEGATIVE", "NEUTRAL", "POSITIVE"))
)

现在我想添加一个带有随机布尔值的新列，但是在每个类别中，TRUE 和 FALSE 值的比例应该相同（即随机化过程应该生成相同计数的真假值，在上面数据框 3 个类别中的每个类别中的 5 个 TRUE 和 5 个 FALSE）。如何做到这一点？

Answer 1

您可以在不替换的情况下对“TRUE”和“FALSE”值的向量进行采样，这样您的数据框中就有一个随机且平衡的列。

sample(rep(c("TRUE","FALSE"),each=5),10,replace=FALSE)

Answer 2

基于 Yacine Hajji 的回答：

addRandomBool <- function(df, p){
  
  n <- ceiling(nrow(df) * p)
  df$bool <- sample(rep(c("TRUE","FALSE"), times = c(n, nrow(df) - n)))
  
  df
}

Reduce(rbind, lapply(split(df, df$category), addRandomBool, p = 0.5))

其中参数p决定TRUE的比例。

Answer 3

这将在每个组中从 5 TRUE 和 5 FALSE 的向量中进行采样，无需替换。它将假定每组始终有 10 条记录。

library(dplyr)
library(tidyr)

df <- data.frame(
  ID = c(1:30),
  x1 = seq(0, 1, length.out = 30),
  x2 = seq(100, 3000, length.out = 30),
  category = gl(3, 10, labels = c("NEGATIVE", "NEUTRAL", "POSITIVE"))
)

set.seed(pi)

df %>% 
  group_by(category) %>% 
  nest() %>% 
  mutate(data = lapply(data, 
                       function(df){ # Function to saple and assign the new_col
                         df$new_col <- sample(rep(c(FALSE, TRUE), 
                                                  each = 5), 
                                              size = 10, 
                                              replace = FALSE)
                         df
                       })) %>% 
  unnest(cols = "data")

下一个示例更笼统一些，但仍假设（大约）TRUE 和 FALSE 在组内均匀分布。但它可以容纳可变的组大小，甚至是奇数记录的组（但对于奇数记录会偏爱 FALSE）

library(dplyr)
library(tidyr)

df <- data.frame(
  ID = c(1:30),
  x1 = seq(0, 1, length.out = 30),
  x2 = seq(100, 3000, length.out = 30),
  category = gl(3, 10, labels = c("NEGATIVE", "NEUTRAL", "POSITIVE"))
)

set.seed(pi)

df %>% 
  group_by(category) %>% 
  nest() %>% 
  mutate(data = lapply(data, 
                       function(df){
                         df$new_col <- sample(rep(c(FALSE, TRUE), 
                                                  length.out = nrow(df)), 
                                              size = nrow(df), 
                                              replace = FALSE)
                         df
                       })) %>% 
  unnest(cols = "data")

维护列顺序

保持列顺序的几个选项：

首先，您可以在执行group_by - nest 之前保存列顺序，然后在完成后使用select 设置顺序。

set.seed(pi)

orig_col <- names(df)  # original column order

df %>% 
  group_by(category) %>% 
  nest() %>% 
  mutate(data = lapply(data, 
                       function(df){
                         df$new_col <- sample(rep(c(FALSE, TRUE), 
                                                  length.out = nrow(df)), 
                                              size = nrow(df), 
                                              replace = FALSE)
                         df
                       })) %>% 
  unnest(cols = "data") %>% 
  select_at(c(orig_col, "new_col"))   # Restore the column order

或者您可以使用base R 解决方案，该解决方案首先不会更改列顺序

df <- split(df, df["category"])
df <- lapply(df, 
             function(df){
               df$new_col <- sample(rep(c(FALSE, TRUE), 
                                        length.out = nrow(df)), 
                                    size = nrow(df), 
                                    replace = FALSE)
               df
             })
do.call("rbind", c(df, list(make.row.names = FALSE)))

可能还有十几种其他方法可以做到这一点，而且可能是我没有想到的更有效的方法。