[英]dplyr sample_n where n is the value of a grouped variable
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?
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。
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。
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.