选择所有高于阈值的值，然后随机选择低于阈值的值

Question

例如，使用cars数据集（如下所示），我想通过选择cars $ speed> = 12的所有行以及cars $ speed <12的行中的5个随机样本来创建一个新的data.frame。

> head(cars)
  speed dist
1     4    2
2     4   10
3     7    4
4     7   22
5     8   16
6     9   10

我可以在多个步骤中通过首先选择所述行，其中为此speed > = 12使用

one <- cars[cars$speed >=12 , ]

然后选择5个随机样本，其中car $ speed <12

two <- cars[sample( which( cars$speed < 12) , 5 ) , ]

然后rbind()这两个data.frames。

但是，我想将代码添加到一个更大的循环中，因此最好选择具有相同结果的单个步骤。

在此先感谢您的任何建议。

Answer 1

我不确定可以将其压缩多少，但这是一种方法：

library(data.table)
cdt <- data.table(cars)
set.seed(1)
##
rbind(
  cdt[speed>11,],
  cdt[speed<12,][sample(1:.N,5),])

只是为了表明5行已正确采样，

R> rbind(
    cdt[speed>11,],
    cdt[speed<12,][sample(1:.N,5),]
    )[order(speed)][1:8,]
   speed dist
1:     4    2
2:     7   22
3:     7    4
4:     8   16
5:    10   18
6:    12   14
7:    12   20
8:    12   24

这不一定是特定于data.table方法，我只是发现使用起来方便的语法。 此外，如果实际数据非常大，则使用data.table并用rbindlist(list(<first subset>,<second subset>)) rbind(<first subset>, <second subset>)替换rbind(<first subset>, <second subset>)可能会带来性能上的好处rbindlist(list(<first subset>,<second subset>)) 。

编辑 ：感谢@Arun，另一种data.table方法：

cdt[
  ,if (grp) .SD else .SD[sample(.N, 5L)],
  .(grp=speed>11), 
  .SDcols=1:2]

Answer 2

我认为您仍然需要重新整理结果，但是可以在一行代码中完成。 我使用了dplyr的sample_n函数进行采样：

library(dplyr)

rbind(sample_n(cars[cars$speed<12,], 5), cars[cars$speed>=12,])

如果您需要比rbind更快的速度，则dplyr还具有rbind_list函数。

Answer 3

也许不是那么优雅的解决方案，但是仅使用普通香草R的解决方案：

cars[c(which(cars$speed >=12),sample(which(cars$speed < 12) , 5 )) ,]

这可能不会加快速度，但是避免了rbind的额外调用。