对 data.table 中每个组中的随机行进行采样

Question

您将如何使用 data.table 有效地对数据框中每个组中的行进行采样？

DT = data.table(a = sample(1:2), b = sample(1:1000,20))
DT
    a   b
 1: 2 562
 2: 1 183
 3: 2 180
 4: 1 874
 5: 2 533
 6: 1  21
 7: 2  57
 8: 1  20
 9: 2  39
10: 1 948
11: 2 799
12: 1 893
13: 2 993
14: 1  69
15: 2 906
16: 1 347
17: 2 969
18: 1 130
19: 2 118
20: 1 732

我在想这样的事情： DT[ , sample(??, 3), by = a]它将为每个“a”返回一个三行的样本（返回的行的顺序不重要）：

    a   b
 1: 2 180
 2: 2  57
 3: 2 799
 4: 1  69
 5: 1 347
 6: 1 732

Answer 1

也许是这样的？

> DT[,.SD[sample(.N, min(3,.N))],by = a]
   a   b
1: 1 744
2: 1 497
3: 1 167
4: 2 888
5: 2 950
6: 2 343

（感谢乔希的更正，如下。）

Answer 2

我相信乔兰的回答可以进一步概括。 详细信息在这里（ How do you sample groups in a data.table with a警告）但我相信这个解决方案解释了没有“3”行可供采样的情况。

当前解决方案在尝试从公共值小于“x”的行中采样“x”次时会出错。 在下面的情况下，x=3。 它考虑到了这个警告。 （由 nrussell 完成的解决方案）

set.seed(123)
##
DT <- data.table(
  a=c(1,1,1,1:15,1,1), 
  b=sample(1:1000,20))
##
R> DT[,.SD[sample(.N,min(.N,3))],by = a]
     a   b
 1:  1 288
 2:  1 881
 3:  1 409
 4:  2 937
 5:  3  46
 6:  4 525
 7:  5 887
 8:  6 548
 9:  7 453
10:  8 948
11:  9 449
12: 10 670
13: 11 566
14: 12 102
15: 13 993
16: 14 243
17: 15  42

Answer 3

受到David Arenburg 的回答的启发，另一种避免.SD分配的方法是对组进行采样，然后使用.EACHI连接回原始数据

DT[ DT[, sample(.N, 3), by=a], b[i.V1], on="a", by=.EACHI]

#    a  V1
# 1: 2  42
# 2: 2 498
# 3: 2 179
# 4: 1 469
# 5: 1  93
# 6: 1 898

---

其中DT[, sample(.N, 3), by=a]行为我们提供了每个组的样本

#         a V1
# 1:      1  9
# 2:      1  3
# 3:      1  2
# 4:      2  4
# 5:      2  9
# ---          

所以我们可以使用V1给我们它对应的b 。

Answer 4

分层抽样>过抽样

size=don[y==1,.(strata=length(iden)),by=.(y,x)] # count of iden by strata   
table(don$x,don$y) 

don<-merge(don,size[,.(y,strata)],by="x") #merge strata values  
don_strata=don[,.SD[sample(.N,strata)],by=.(y,x)]

Answer 5

有两个微妙的考虑会影响这个问题的答案，Josh O'Brien 和 Valentin 在评论中提到了这些。 首先是通过.SD进行子集.SD非常低效，最好直接对.I进行采样（参见下面的基准）。

第二个注意事项，如果我们从.I进行采样，则调用sample(.I, size = 1)会导致当.I > 1和length(.I) = 1时出现意外行为。 在这种情况下， sample()行为就像我们调用了sample(1:.I, size = 1) ，这肯定不是我们想要的。 正如 Valentin 所指出的，在这种情况下最好使用构造.I[sample(.N, size = 1)] 。

作为基准，我们构建了一个简单的 1,000 x 1 数据表并每组随机抽样。 即使有这么小的 data.table， .I方法也快了大约 20 倍。

library(microbenchmark)
library(data.table)

set.seed(1L)
DT <- data.table(id = sample(1e3, 1e3, replace = TRUE))

microbenchmark(
  `.I` = DT[DT[, .I[sample(.N, 1)], by = id][[2]]],
  `.SD` = DT[, .SD[sample(.N, 1)], by = id]
)
#> Unit: milliseconds
#>  expr       min        lq     mean    median        uq       max neval
#>    .I  2.396166  2.588275  3.22504  2.794152  3.118135  19.73236   100
#>   .SD 55.798177 59.152000 63.72131 61.213650 64.205399 102.26781   100

^{由reprex 包(v0.3.0) 于 2020 年 12 月 2 日创建}