R函数/方法使用概率对数据帧进行采样，直到达到条件

Question

我有一个包含 3 列的数据框：

ObjectID：多边形（或行）的唯一标识符 AvgWTRisk：森林中干扰的概率（0-1），~0.11 是最高值 HA：森林中多边形的面积

我想开发一个函数来根据概率值从数据框中创建一个随机样本。 下面是一个数据结构的例子：

数据

      OBJECTID AvgWTRisk        HA
32697    32697 0.0008456 7.7465000
36480    36480 0.0050852 7.9329797
13805    13805 0.0173463 0.7154995
38796    38796 0.0026580 0.2882192
8494      8494 0.0089310 6.4686595
23609    23609 0.0090647 6.1246000

输出

structure(list(OBJECTID = c(32697L, 36480L, 13805L, 38796L, 8494L, 
23609L), AvgWTRisk = c(0.0008456, 0.0050852, 0.0173463, 0.002658, 
0.008931, 0.0090647), HA = c(7.7465, 7.9329797, 0.7154995, 0.2882192, 
6.4686595, 6.1246)), row.names = c(32697L, 36480L, 13805L, 38796L, 
8494L, 23609L), class = "data.frame")

我正在尝试使用 R 中的 sample() 函数来做到这一点。

有什么方法可以使用面积总和作为我的 'size = ' 目标而不是行数，例如：

Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = sum(HA >= 100*0.95 && HA <= 100*1.05),
                                                 prob = WTProb, replace = FALSE),]

其中： WTProb 作为 AvgWTRisk 的向量，即 'WTProb <- as.vector(Landscape_WTRisk$AvgWTRisk' 并且 HA 是数据框的面积列。

上面的示例选择为我提供了一个包含所有列但没有行的数据框。

与之相反：

Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = 10,
                                                 prob = WTProb, replace = FALSE),]

这适用于提供 10 行的样本。 但是，我无法控制选择的区域。

我是否应该尝试使用 while 循环来实现这一点，其中所有行的面​​积总和是标准，并且可以将一小部分行增量添加在一起直到达到目标？

先感谢您！

Answer 1

我希望我明白你在问什么。 以下代码将首先创建数据的排列，这样具有较高 AvgWTRisk 的行最终将更靠近表的顶部。 在第二步中，将根据特定范围内的 HA 总和来选择表中间的行。

set.seed(123)
WTProb <- Landscape_WTRisk$AvgWTRisk
Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = nrow(Landscape_WTRisk),
                                                 prob = WTProb, replace = FALSE),]
Landscape_WTDisturbed$HA.sum = cumsum(Landscape_WTDisturbed$HA)
HA.sum.min = 10
HA.sum.max = 25
Landscape_WTDisturbed = Landscape_WTDisturbed[
    Landscape_WTDisturbed$HA.sum >= HA.sum.min &
    Landscape_WTDisturbed$HA.sum <= HA.sum.max,]
Landscape_WTDisturbed
##       OBJECTID AvgWTRisk        HA   HA.sum
## 23609    23609 0.0090647 6.1246000 14.77308
## 38796    38796 0.0026580 0.2882192 15.06130
## 32697    32697 0.0008456 7.7465000 22.80780

Answer 2

我试过这样：

WTProb <- Landscape_WTRisk$AvgWTRisk
Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = 1000,
                                                 prob = WTProb, replace = FALSE),]
Landscape_WTDisturbed$HA.sum = cumsum(Landscape_WTDisturbed$HA)

Landscape_WTDisturbed <- Landscape_WTDisturbed[Landscape_WTDisturbed$HA.sum<=DisturbanceArea*1.05,]

使用 cumsum 值将 HA 列的值相加，然后选择相加为“目标”总数的所有行。 我可以确认这种方法是 BigFinger 推荐的方法的衍生物 - 谢谢，确实会产生适当的结果。 见下文

1) 全样本风险分布

summary(Landscape_WTRisk$AvgWTRisk)
     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
0.0000286 0.0013508 0.0030834 0.0061175 0.0072636 0.121604

2）风险样本分布

summary(Landscape_WTDisturbed$AvgWTRisk)
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
0.002977 0.006563 0.010800 0.014997 0.015196 0.045924

如您所见，分布受原始样本概率为 1000 的影响，采样行的 AvgWTRisk 远高于原始数据集中的分布。

如果目标的累积总和需要超过 1000 个样本，则此方法将不起作用。 仍然不确定如何使其更动态地工作，如果“DisturbanceArea”目标增长到超过 1000 个样本满足的能力，这种方法就会失败。