繁体   English   中英

r 生成具有随机 1 和 0 的列,有限制

[英]r generate a column with random 1s and 0s with restrictions

我有一个包含 500 个观察值的数据集。 我喜欢根据两种情况随机生成 1 和 0

当前数据集

  Id     Age    Category   
  1      23     1
  2      24     1
  3      21     2
  .      .      .
  .      .      .
  .      .      .
500      27     3

方案 1

  • 1 的总数应该是 200,它们应该是随机的。 剩下的 300 应该是 0。

方案 2

  • 1 的总数应该是 200。剩下的 300 应该是 0。
    • 40% 的 1 应该属于 Category1。 也就是说 80 个 1 应该在 Category1
    • 40% 的 1 应该属于 Category2 即 80 个 1s 应该属于 Category2
    • 20% 的 1 应该属于 Category3 即 40 个 1s 应该属于 Category3

预计 Output

  Id     Age    Category  Indicator  
  1      23     1         1
  2      24     1         0
  3      21     2         1
  .      .      .
  .      .      .
  .      .      .
500      27     3         1

我知道 function sample(c(0,1), 500)会生成 1s,但我不知道如何让它随机生成 200 个 1s。 也不知道如何在 Category1 中随机生成 80 个 1,在 Category2 中随机生成 80 个 1,在 Category3 中生成 40 个 1。

这是一个完整的工作示例。

假设您的数据如下所示:

set.seed(69)

df <- data.frame(id = 1:500, 
                 Age = 20 + sample(10, 500, TRUE),
                 Category = sample(3, 500, TRUE))

head(df)
#>   id Age Category
#> 1  1  21        2
#> 2  2  22        2
#> 3  3  28        3
#> 4  4  27        2
#> 5  5  27        1
#> 6  6  26        2

现在,您没有提到每个类别有多少,所以让我们检查一下我们的样本中有多少:

table(df$Category)

#>   1   2   3 
#> 153 179 168 

场景 1 很简单。 您需要创建一个包含 500 个零的向量,然后将一个 1 写入新向量的 200 个索引样本中:

df$label <- numeric(nrow(df))
df$label[sample(nrow(df), 200)] <- 1

head(df)
#>   id Age Category label
#> 1  1  21        2     1
#> 2  2  22        2     1
#> 3  3  28        3     0
#> 4  4  27        2     0
#> 5  5  27        1     0
#> 6  6  26        2     1

所以我们有随机的零和一,但是当我们计算它们时,我们有:

table(df$label)
#> 
#>   0   1 
#> 300 200

场景 2 类似,但涉及更多一点,因为我们需要按类别分组执行类似的操作:

df$label <- numeric(nrow(df))
df <- do.call("rbind", lapply(split(df, df$Category), function(d) {
  n_ones <- round(nrow(d) * 0.4 / ((d$Category[1] %/% 3) + 1))
  d$label[sample(nrow(d), n_ones)] <- 1 
  d
  }))

head(df)
#>      id Age Category label
#> 1.5   5  27        1     0
#> 1.10 10  24        1     0
#> 1.13 13  23        1     1
#> 1.19 19  24        1     0
#> 1.26 26  22        1     1
#> 1.27 27  24        1     1

现在,由于每个类别中的数字不能很好地被 10 整除,我们无法准确地得到 40% 和 20%(尽管您可能使用自己的数据),但我们会尽可能接近它,如下所示:

label_table <- table(df$Category, df$label)
label_table   
#>       0   1
#>   1  92  61
#>   2 107  72
#>   3 134  34

apply(label_table, 1, function(x) x[2]/sum(x))
#>         1         2         3 
#> 0.3986928 0.4022346 0.2023810

reprex package (v0.3.0) 于 2020 年 8 月 12 日创建

另一种填充随机值的方法是创建一个可能值向量(80 个值为 1,nrow-80 个值为 0),然后从这些可能值中采样。 与通过索引设置值相比,这可以使用更多的 memory,但是潜在值的向量非常小,通常是微不足道的。

set.seed(42)

df <- data.frame(id = 1:500, 
                 Age = 20 + sample(10, 500, TRUE),
                 Category = sample(3, 500, TRUE))

## In Tidyverse

library(tidyverse)

set.seed(42)

df2 <- df %>%
  group_by(Category) %>%
  mutate(Label = case_when(
    Category == 1 ~ sample(
      c(rep(1,80),rep(0,n()-80)),
      n()
    ),
    Category == 2 ~ sample(
      c(rep(1,80),rep(0,n()-80)), 
      n()
    ),
    Category == 3 ~ sample(
      c(rep(1,40),rep(0,n()-40)), 
      n()
    )
  ))

table(df2$Category,df2$Label)

#     0   1
# 1  93  80
# 2  82  80
# 3 125  40

## In base

df3 <- df

df3[df$Category == 1,"Label"] <- sample(
  c(rep(1,80),rep(0,nrow(df[df$Category == 1,])-80)),
  nrow(df[df$Category == 1,])
)
df3[df$Category == 2,"Label"] <- sample(
  c(rep(1,80),rep(0,nrow(df[df$Category == 2,])-80)),
  nrow(df[df$Category == 2,])
)
df3[df$Category == 3,"Label"] <- sample(
  c(rep(1,40),rep(0,nrow(df[df$Category == 3,])-40)),
  nrow(df[df$Category == 3,])
)

table(df3$Category,df3$Label)

#     0   1
# 1  93  80
# 2  82  80
# 3 125  40

要解决方案 1,您需要创建一个包含 300 个零和 200 个 1 的向量,然后与该向量相同而无需替换。

pull_from = c(rep(0,300), rep(1,200))

sample(pull_from, replace = FALSE)

对于场景 2,我建议根据类别将您的数据分成 3 个单独的块,重复上述步骤,为您需要的零和零的数量使用不同的值,然后重新组合成一个 dataframe。

暂无
暂无

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.

 
粤ICP备18138465号  © 2020-2024 STACKOOM.COM