如何在R中按條件划分數據集

Question

我想獲得一些如何處理這種方法的一般規則。 我有大數據，但以下是其中的代表性示例：

set.seed(2019)

myFun <- function(n = 50) {
  a <- do.call(paste0, replicate(5, sample(LETTERS, n, TRUE), FALSE))
  paste0(a, sprintf("%04d", sample(9999, n, TRUE)), sample(LETTERS, n, TRUE))
}
names = myFun()
group = round(runif(50, 0, 4))
condit = ifelse(round(runif(50, 0, 1.2)) > 0, "TRUE", "FALSE")
edf <- data.frame(names, group, condit, stringsAsFactors = F)

> head(edf)
       names group condit
1 NPWZX7229I     1  FALSE
2 FTANS2931N     0   TRUE
3 XUUGJ9010I     1  FALSE
4 THMIQ8703O     2   TRUE
5 NRLLS3573V     1   TRUE
6 LCETQ1320W     0  FALSE

問題是將這個數據划分（聚類）到具有約束的N個組上：

說N = 5

每個組都需要具有相同數量的TRUE和FALSE值（在沒有50％的比率的情況下，盡可能接近）

每個組的group列中可能需要具有相同數量的值。

因此，例如，對於N = 5，我們將手動進行：

names   group   condit
wrd0        0     TRUE
wrd1        0     TRUE
wrd2        1     TRUE
wrd3        1    FALSE
wrd4        2    FALSE
wrd5        2    FALSE
wrd6        3     TRUE
wrd7        3    FALSE
wrd8        4    FALSE
wrd9        4     TRUE

理想，但是如何為其他組自動復制呢？ 它是某個庫（肯定是），但是我不知道該用什么。 簇？ 還是一些最小二乘法？ 使用什么庫？ 謝謝。

隨機拆分的建議具有一定的意義和結果：

split(edf, sample(1:N, nrow(df), replace=T))

但是我知道這可能更合適。

Answer 1

最后，我找到了答案。 這非常簡單，可能會提供最佳的擬合度。 這是迭代的東西。

devtools::install_github("m-Py/minDiff")

library(minDiff)

xdf <- create_groups(edf, criteria_scale = c("group"), 
                     criteria_nominal = c("condit"), sets_n = 5, repetitions = 5000)

您可以看到它的存在-取決於歪斜或不對稱的數據量，它會帶來更糟或更好的感覺。

查看者： xdf[order(xdf$newSet, xdf$condit, xdf$group),]

ff ...

Answer 2

懶惰的方式

這是通過隨機采樣來完成的一種tidyverse方法。

library(dplyr)
library(purrr)

edf %>%
  split(.$group) %>%
  map(~ sample_n(., size = 5, replace = T)) %>%
  bind_rows()

定制方式

這是一種靈活的方法 ，您可以使用自己的條件進行擴展。 在這里，我確保所有包含少於5次迭代的原始樣本都可以包括在內。 您要如何處理偏斜采樣取決於您自己。

library(dplyr)
library(purrr)

desired_sample_size = 5

conditional_sampling <- function(l){

    r = list(
      l %>% map(
                ~ sample_n(., 
                size = ifelse(nrow(.) < desired_sample_size, nrow(.), desired_sample_size), 
                replace = F)),
      l %>% map_if(~ desired_sample_size - nrow(.) > 0, 
                   ~ sample_n(., 
                              size = desired_sample_size - nrow(.), 
                              replace = T))
    )

    return(combine(r))
}

edf %>%
  split(.$group) %>%
  conditional_sampling() %>%
  bind_rows()