在长数据集中每个 ID 随机选择一集

Question

我有一个长格式数据集，其中每个 ID 有多个剧集，每集多行。我想为每个 ID 随机选择一集，以及所有相关的行。

例如：

df <- data.frame(id = c(1,1,1,2,2,2,2), 
    episode = c(1,2,2,1,1,1,2))
df
  id episode
 1  1       1
 2  1       2
 3  1       2
 4  2       1
 5  2       1
 6  2       1
 7  2       2

...我想留下这个数据集：

df2
  id episode
1  1       2
2  1       2
3  2       1
4  2       1
5  2       1

Answer 1

这是一个使用 base R 的选项：

1) 对原始数据进行采样

dfsampled <- df[sample(seq_len(nrow(df))),]

2) 将不重复的样本数据与原始数据合并：

merge(dfsampled[!duplicated(dfsampled$id),], df, all.x = TRUE)

#  id episode
#1  1       2
#2  1       2
#3  2       1
#4  2       1
#5  2       1

还有一个 dplyr 方法：

library(dplyr)
df %>% group_by(id) %>% filter(episode == sample(unique(episode), 1))
# A tibble: 5 x 2
# Groups:   id [2]
     id episode
  <dbl>   <dbl>
1     1       2
2     1       2
3     2       1
4     2       1
5     2       1

Answer 2

这是一个带有ave 和子集的基本 R 方法。

set.seed(1234)
df[df$episode == ave(df$episode, df$id, FUN=function(x) sample(x, size=1)),]

在这里，ave 将sample 应用于每个 id，选择单个情节并返回一个向量，该向量表示 data.frame 的行数的长度，每个 id 有一个情节。通过将每个 id 中的情节与返回的向量进行比较，data.frame 是子集。

这个实例返回

  id episode
1  1       1
4  2       1
5  2       1
6  2       1

在data.table，你可能会这样做

library(data.table)
set.seed(1234)
setDT(df)[df[, sample(episode, 1), by=id], on=.(id, "episode"=V1)]

这将返回与上面相同的结果（除了它将是 data.table 而不是 data.frame。

Answer 3

使用dplyr:

set.seed(123)
df%>%group_by(id)%>%
mutate(new=sample(episode,1))%>%
filter(episode!=new)%>%
select(id,episode)

# A tibble: 5 x 2
# Groups:   id [2]
#     id    episode
#    <dbl>   <dbl>
#1     1       2
#2     1       2
#3     2       1
#4     2       1
#5     2       1