R - 大数据集的分层抽样

Question

我有一个大型数据集，并且我有多个要采样的组。每个组都有一定数量的阳性病例，值为 1，还有更多的阴性病例，值为 0。

对于每个组，我想选择所有阳性病例，然后随机选择等于该组阳性病例数量 4 倍的阴性病例。

我还需要在大量数据上快速运行的东西。

半更新：

stratified_sample = data %>%
    group_by(group) %>%
    mutate(n_pos = sum(response == 1),
           n_neg = 4 * n_pos) %>%
  group_by(group,response) %>%
  mutate(rec_num = n(),
         random_val = runif(n()),
         random_order = rank(random_val)) %>%
    filter(response == 1 | random_order <= n_neg)

Answer 1

如果您输入正确的名称，这应该可以工作。如果您有问题，请提供可重现的示例。

library(dplyr)

stratified_sample = your_large_dataset %>%
    group_by(whatever_your_grouping_variable_is) %>%
    mutate(n_pos = sum(column_name_of_your_label == 1),
           n_neg = sum(column_name_of_your_label == 0),
           cutoff = 4 * n_pos / n_neg) %>%
    filter(column_name_of_your_label == 1 | runif(n()) < cutoff)

这使每个负例的概率为 4 * 正例数/要选择的负例数，因此样本分数不会准确，但它具有您想要的预期值。