通过基于两列随机选择值来子集数据帧

Question

我有一个数据框，我希望通过随机选择基于spp == cat 25个ID值和基于spp == dog 25个ID值来进行子集化。

这是我的示例数据：

ID  spp category    prop
1   cat small_mam   0.99
2   cat small_mam   0.8
2   cat birds       0.15
3   dog large_mam   1
4   dog med_mam     0.4
4   dog emu         0.6
10  dog med_mam     0.8
10  dog birds       0.2
12  dog reptiles    1
13  dog large_mam   1
14  dog large_mam   1
15  dog large_mam   1
27  cat birds       0.2
28  cat small_mam   1
29  cat small_mam   0.75
29  cat birds       0.25
30  cat small_mam   0.7
30  cat birds       0.2

spp的ID值是唯一的，这意味着cat和dog永远不会具有相同的ID值。 ID范围从1到696但不一定是唯一的，这是因为ID最多可以由7个类别组成，因此每个物种随机分配25行不起作用。

这个问题背后的背景是我将使用包中的piankabio函数（pgirmess）绘制1000个25只猫和25只狗粪便的随机样本（UID =粪便ID号），用于饮食重叠的自助计算。

在此先感谢您的帮助。

我使用的是R版本3.1.3

Answer 1

使用data.table，您可以按如下方式执行：

library(data.table)
subdf <- setDT(mydf)[, sample(ID, 5), by = spp]

在您提供的示例数据上，这给出了：

 > subdf spp V1 1: cat 27 2: cat 30 3: cat 2 4: cat 28 5: cat 30 6: dog 10 7: dog 14 8: dog 12 9: dog 4 10: dog 15 

如果你想保留所有列（我想你想要），你可以这样做：

subdf <- setDT(mydf)[, .SD[sample(.N, 5)], by = spp]

这使：

 > subdf spp ID category prop 1: cat 29 small_mam 0.75 2: cat 1 small_mam 0.99 3: cat 2 birds 0.15 4: cat 30 small_mam 0.70 5: cat 28 small_mam 1.00 6: dog 14 large_mam 1.00 7: dog 15 large_mam 1.00 8: dog 13 large_mam 1.00 9: dog 10 birds 0.20 10: dog 4 med_mam 0.40 

---

注意：出于解释原因，我使用了5的样本，因为示例数据集不足以绘制25的样本。

---

根据您的评论，您可以通过以下方式实现：

setDT(mydf)
set.seed(4321)
newdf <- mydf[mydf[, .(ID = sample(unique(ID), 5)), by = spp], on = c("spp", "ID")]

这使：

 > newdf ID spp category prop 1: 27 cat birds 0.20 2: 29 cat small_mam 0.75 3: 29 cat birds 0.25 4: 2 cat small_mam 0.80 5: 2 cat birds 0.15 6: 1 cat small_mam 0.99 7: 28 cat small_mam 1.00 8: 14 dog large_mam 1.00 9: 13 dog large_mam 1.00 10: 15 dog large_mam 1.00 11: 4 dog med_mam 0.40 12: 4 dog emu 0.60 13: 12 dog reptiles 1.00 

说明 ：使用mydf[, .(ID = sample(unique(ID), 5)), by = spp]可以为每个spp类别创建一个索引data.table，其中包含5个唯一ID。 然后在spp ＆ ID上进行连接，使用此index-data.table选择具有这些ID的mydf部分。