dplyr sample_n其中n是分组变量的值

Question

我有以下分组数据框，我想使用函数dplyr::sample_n从每个组的数据框中提取行。 我想在每个组中使用分组变量NDG的值作为从每个组中提取的行数。

> dg.tmp <- structure(list(Gene = c("CAMK1", "GHRL", "TIMP4", "CAMK1", "GHRL", 
"TIMP4", "ARL8B", "ARPC4", "SEC13", "ARL8B", "ARPC4", "SEC13"
), GLB = c(3, 3, 3, 3, 3, 3, 10, 10, 10, 10, 10, 10), NDG = c(1, 
1, 1, 2, 2, 2, 1, 1, 1, 2, 2, 2)), class = c("tbl_df", "tbl", 
"data.frame"), row.names = c(NA, -12L), .Names = c("Gene", "GLB", 
"NDG"))

> dg <- dg.tmp %>% 
     dplyr::group_by(GLB,NDG)

> dg
Source: local data frame [12 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    ABTB1   3   1
3     AHSG   3   1
4    A4GNT   3   2
5    ABTB1   3   2
6     AHSG   3   2
7    AADAC  10   1
8  ABHD14B  10   1
9   ACVR2B  10   1
10   AADAC  10   2
11 ABHD14B  10   2
12  ACVR2B  10   2

例如，假设正确的随机选择，我想要代码

> dg %>% dplyr::sample_n(NDG)

输出：

Source: local data frame [6 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    A4GNT   3   2
3    ABTB1   3   2
4    AADAC  10   1
5    AADAC  10   2
6  ABHD14B  10   2

但是，它会出现以下错误：

Error in eval(expr, envir, enclos) : object 'NDG' not found

通过比较，当我使用代码时， dplyr::slice提供正确的输出

> dg %>% dplyr::slice(1:unique(NDG))

然而，在这种情况下，使用unique 是有点hackish代码

> dg %>% dplyr::slice(1:NDG)

返回以下警告消息

Warning messages:
1: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
2: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
3: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
4: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used

很明显，因为NDG （在适当的环境中）被评估为c(1,1,1)或c(2,2,2) ，因此1:NDG返回上述警告。

---

关于为什么我得到错误，我知道Hadley用于方法sample_n.grouped_df的代码是

sample_n.grouped_df <- function(tbl, size, replace = FALSE, weight = NULL,
  .env = parent.frame()) {

  assert_that(is.numeric(size), length(size) == 1, size >= 0)
  weight <- substitute(weight)

  index <- attr(tbl, "indices")
  sampled <- lapply(index, sample_group, frac = FALSE,
    tbl = tbl, size = size, replace = replace, weight = weight, .env = .env)
  idx <- unlist(sampled) + 1

  grouped_df(tbl[idx, , drop = FALSE], vars = groups(tbl))
}

可以在相关的Github页面上找到。 因此我得到了错误，因为sample_n.grouped_df无法找到变量NGD因为它没有查找正确的环境。

因此，是否有一种在dg上使用sample_n来获得的简洁方法

Source: local data frame [6 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    A4GNT   3   2
3    ABTB1   3   2
4    AADAC  10   1
5    AADAC  10   2
6  ABHD14B  10   2

通过对每组使用随机抽样？

Answer 1

一个可能的答案，但我不相信它是最佳答案：用dplyr::sample_frac （和1的一小部分）置换数据帧的行，然后切片所需的行数：

> set.seed(1)
> dg %>% 
      dplyr::sample_frac(1) %>%
      dplyr::slice(1:unique(NDG))

这给出了正确的输出。

Source: local data frame [6 x 3]
Groups: GLB, NDG

    Gene GLB NDG
1  A4GNT   3   1
2   AHSG   3   2
3  A4GNT   3   2
4 ACVR2B  10   1
5  AADAC  10   2
6 ACVR2B  10   2

而且我想我可以在必要时编写一个函数来在一行中执行此操作。

Answer 2

这是一个替代答案，虽然上面的一个似乎很好：

dg %>% 
  sample_frac(1) %>%
  filter(row_number() <= NDG) %>%
  arrange(NDG)

Source: local data frame [6 x 3]
Groups: GLB, NDG

     Gene GLB NDG
1    AHSG   3   1
2   ABTB1   3   2
3    AHSG   3   2
4 ABHD14B  10   1
5   AADAC  10   2
6 ABHD14B  10   2

sample_frac重新排序数据帧，并为每个组分配新的行号，然后您只需获取第一个NDG行数。 除了重新排序数据以使其看起来像您想要的输出之外， arrange不做任何事情。

Answer 3

我使用分组dfs遇到了同样的问题，并记得在purrr有一个非常优雅的方法来执行此purrr ，如本非常有用的教程中所述 ：

library(purrr)

dg.tmp %>% 
  nest(-GLB, -NDG) %>% 
  mutate(data = map2(data, NDG, sample_n)) %>% 
  unnest

一个优点是它不需要像sample_frac那样排列所有数据行，这对于大型数据帧来说可能是非常昂贵的。