在数据框中采样随机行答案

【问题标题】：Sample random rows in dataframe在数据框中采样随机行
【发布时间】：2012-01-06 13:58:24
【问题描述】：

我正在努力寻找合适的函数，该函数将返回随机选取的指定行数，而无需从 R 语言的数据框中进行替换？谁能帮帮我？

【问题讨论】：

【解决方案1】：

先做一些数据：

> df = data.frame(matrix(rnorm(20), nrow=10))
> df
           X1         X2
1   0.7091409 -1.4061361
2  -1.1334614 -0.1973846
3   2.3343391 -0.4385071
4  -0.9040278 -0.6593677
5   0.4180331 -1.2592415
6   0.7572246 -0.5463655
7  -0.8996483  0.4231117
8  -1.0356774 -0.1640883
9  -0.3983045  0.7157506
10 -0.9060305  2.3234110

然后随机选择一些行：

> df[sample(nrow(df), 3), ]
           X1         X2
9  -0.3983045  0.7157506
2  -1.1334614 -0.1973846
10 -0.9060305  2.3234110

【讨论】：

@nikhil 请参阅here 和here 了解初学者。您还可以在 R 控制台中键入 ?sample 以了解该功能。
有人能解释一下为什么 sample(df,3) 不起作用吗？为什么需要 df[sample(nrow(df), 3), ]？
@stackoverflowuser2010，您可以输入 ?sample 并看到示例函数中的第一个参数必须是向量或正整数。在这种情况下，我认为 data.frame 不能用作向量。
记得在每次想要复制特定样本时设置种子（例如 set.seed(42) ）。
sample.int 我相信会稍微快一点：library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 )

【解决方案2】：

John Colby 给出的答案是正确的答案。但是，如果您是dplyr 用户，那么还有sample_n 的答案：

sample_n(df, 10)

从数据框中随机抽取 10 行。它调用sample.int，所以实际上是相同的答案，输入更少（并简化了在 magrittr 上下文中的使用，因为数据帧是第一个参数）。

【讨论】：

从 dplyr 1.0.0 开始，sample_n（和 sample_frac）已被 slice_sample 取代，尽管它们现在仍然存在。
这似乎是在没有替换的情况下进行采样，因此也会输出一个大小为 min(nrow(df), 10) 的样本，因此这可能不是所需要的。

【解决方案3】：

data.table 包提供函数DT[sample(.N, M)]，从数据表DT 中随机抽取M 行。

library(data.table)
set.seed(10)

mtcars <- data.table(mtcars)
mtcars[sample(.N, 6)]

    mpg cyl  disp  hp drat    wt  qsec vs am gear carb
1: 14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
2: 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
3: 17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
4: 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
5: 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
6: 15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2

【讨论】：

【解决方案4】：

写一个！包装JC的答案给了我：

randomRows = function(df,n){
   return(df[sample(nrow(df),n),])
}

现在通过首先检查是否 n

【讨论】：

【解决方案5】：

为了完整起见：

dplyr 还提供通过

提取样本的比例或分数

df %>% sample_frac(0.33)

这非常方便，例如在机器学习中，当你必须做一个特定的分割比例，比如 80%:20%

【讨论】：

【解决方案6】：

编辑：此答案现已过时，请参阅the updated version。

在my R package 中，我增强了sample，现在它对于数据帧的行为也符合预期：

library(devtools); install_github('kimisc', 'krlmlr')

library(kimisc)
example(sample.data.frame)

smpl..> set.seed(42)

smpl..> sample(data.frame(a=c(1,2,3), b=c(4,5,6),
                           row.names=c('a', 'b', 'c')), 10, replace=TRUE)
    a b
c   3 6
c.1 3 6
a   1 4
c.2 3 6
b   2 5
b.1 2 5
c.3 3 6
a.1 1 4
b.2 2 5
c.4 3 6

这是achieved，通过使sample 成为S3 通用方法并在函数中提供必要的（微不足道的）功能。拨打setMethod 可以解决所有问题。仍然可以通过base::sample 访问原始实现。

【讨论】：

它对数据帧的处理有什么意外？
@adifferentben：当我为数据框df 调用sample.default(df, ...) 时，它从数据框的列中采样，因为数据框被实现为相同长度的向量列表。
您的包裹还在吗？我跑了install_github('kimisc', 'krlmlr')，得到了Error: Does not appear to be an R package (no DESCRIPTION)。有什么办法吗？
@JorisMeys：同意，除了“按预期”部分。仅仅因为数据框在内部实现为列表，并不意味着它应该表现为一个。数据帧的[ 运算符就是一个反例。另外，请告诉我：您是否曾经使用过sample 对数据框中的列进行采样？
@krlmlr [ 运算符不是反例：iris[2] 像列表一样工作，iris[[2]] 也是如此。或者iris$Species, lapply(iris, mean), ... 数据框是列表。所以我希望他们表现得像他们一样。是的，我实际上使用了 sample(myDataframe)。在每个变量都包含单个基因的表达数据的数据集上。你的具体方法帮助了新手用户，也有效地改变了sample()behaves的方式。注意我从程序员的角度使用“如预期”。这与一般的直觉不同。 R中有很多与一般直觉不兼容的东西......;）

【解决方案7】：

过时的答案。请改用dplyr::sample_frac() 或dplyr::sample_n()。

在my R package 中有一个函数sample.rows 就是为了这个目的：

install.packages('kimisc')

library(kimisc)
example(sample.rows)

smpl..> set.seed(42)

smpl..> sample.rows(data.frame(a=c(1,2,3), b=c(4,5,6),
                               row.names=c('a', 'b', 'c')), 10, replace=TRUE)
    a b
c   3 6
c.1 3 6
a   1 4
c.2 3 6
b   2 5
b.1 2 5
c.3 3 6
a.1 1 4
b.2 2 5
c.4 3 6

根据 Joris Meys 对previous answer 的 cmets 的说法，通过将 sample 设为通用 S3 函数来增强它是一个坏主意。

【讨论】：

【解决方案8】：

你可以这样做：

library(dplyr)

cols <- paste0("a", 1:10)
tab <- matrix(1:1000, nrow = 100) %>% as.tibble() %>% set_names(cols)
tab
# A tibble: 100 x 10
      a1    a2    a3    a4    a5    a6    a7    a8    a9   a10
   <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
 1     1   101   201   301   401   501   601   701   801   901
 2     2   102   202   302   402   502   602   702   802   902
 3     3   103   203   303   403   503   603   703   803   903
 4     4   104   204   304   404   504   604   704   804   904
 5     5   105   205   305   405   505   605   705   805   905
 6     6   106   206   306   406   506   606   706   806   906
 7     7   107   207   307   407   507   607   707   807   907
 8     8   108   208   308   408   508   608   708   808   908
 9     9   109   209   309   409   509   609   709   809   909
10    10   110   210   310   410   510   610   710   810   910
# ... with 90 more rows

上面我刚刚做了一个 10 列 100 行的数据框，好吗？

现在您可以使用sample_n 对其进行采样：

sample_n(tab, size = 800, replace = T)
# A tibble: 800 x 10
      a1    a2    a3    a4    a5    a6    a7    a8    a9   a10
   <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
 1    53   153   253   353   453   553   653   753   853   953
 2    14   114   214   314   414   514   614   714   814   914
 3    10   110   210   310   410   510   610   710   810   910
 4    70   170   270   370   470   570   670   770   870   970
 5    36   136   236   336   436   536   636   736   836   936
 6    77   177   277   377   477   577   677   777   877   977
 7    13   113   213   313   413   513   613   713   813   913
 8    58   158   258   358   458   558   658   758   858   958
 9    29   129   229   329   429   529   629   729   829   929
10     3   103   203   303   403   503   603   703   803   903
# ... with 790 more rows

【讨论】：

【解决方案9】：

从 R 中的 tibble 类型中选择一个随机样本：

library("tibble")    
a <- your_tibble[sample(1:nrow(your_tibble), 150),]

nrow 接受一个小标题并返回行数。传递给sample 的第一个参数是从 1 到小标题结尾的范围。传递给 sample 的第二个参数 150 是您想要的随机采样数。方括号切片指定返回的索引的行。变量“a”获取随机抽样的值。

【讨论】：

【解决方案10】：

你可以这样做：

sample_data = data[sample(nrow(data), sample_size, replace = FALSE), ]

【讨论】：

【解决方案11】：

我是 R 新手，但我使用的这种简单方法对我有用：

sample_of_diamonds <- diamonds[sample(nrow(diamonds),100),]

PS：如果它有一些我没有想到的缺点，请随时指出。

【讨论】：

假设，我的 df 中有 1000 行。应用您的代码后，将随机选择 100 行，然后我如何存储其余 900 行（哪一行没有随机选择）？
@Akib62 试试(rest_of_diamonds <- diamonds[which(!diamonds %in% sample_of_diamonds)])
不工作。当我使用您的代码（在评论中给出）时，得到与diamonds 或main dataset 相同的输出。
@Akib62 既然选择了不在sample_of_diamonds 中的元素，你能确认sample_of_diamonds 不是空的吗？这可以解释你的问题。
说，我的数据集中有 20 行。所以当我申请sample_of_diamonds <- diamonds[sample(nrow(diamonds),10),] 我得到10 rows randomly 和rest_of_diamonds <- diamonds[which(!diamonds %in% sample_of_diamonds)] 我得到20 rows (main dataset)

【解决方案12】：

2021 年在 tidyverse 中这样做的方式是：

library(tidyverse)

df = data.frame(
  A = letters[1:10],
  B = 1:10
)

df
#>    A  B
#> 1  a  1
#> 2  b  2
#> 3  c  3
#> 4  d  4
#> 5  e  5
#> 6  f  6
#> 7  g  7
#> 8  h  8
#> 9  i  9
#> 10 j 10

df %>% sample_n(5)
#>   A  B
#> 1 e  5
#> 2 g  7
#> 3 h  8
#> 4 b  2
#> 5 j 10

df %>% sample_frac(0.5)
#>   A  B
#> 1 i  9
#> 2 g  7
#> 3 j 10
#> 4 c  3
#> 5 b  2

^{由reprex package (v2.0.0.9000) 于 2021-10-05 创建}

【讨论】：

【解决方案13】：

正如@matt_b 所指出的，sample_n() 和sample_frac() 已被软弃用，取而代之的是slice_sample()。请参阅dplyr docs。

来自文档字符串的示例：

# slice_sample() allows you to random select with or without replacement
mtcars %>% slice_sample(n = 5)
mtcars %>% slice_sample(n = 5, replace = TRUE)

【讨论】：