r 生成具有隨機 1 和 0 的列，有限制

Question

我有一個包含 500 個觀察值的數據集。 我喜歡根據兩種情況隨機生成 1 和 0

當前數據集

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

方案 1

• 1 的總數應該是 200，它們應該是隨機的。 剩下的 300 應該是 0。

方案 2

• 1 的總數應該是 200。剩下的 300 應該是 0。
  • 40% 的 1 應該屬於 Category1。 也就是說 80 個 1 應該在 Category1
  • 40% 的 1 應該屬於 Category2 即 80 個 1s 應該屬於 Category2
  • 20% 的 1 應該屬於 Category3 即 40 個 1s 應該屬於 Category3

預計 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)會生成 1s，但我不知道如何讓它隨機生成 200 個 1s。 也不知道如何在 Category1 中隨機生成 80 個 1，在 Category2 中隨機生成 80 個 1，在 Category3 中生成 40 個 1。

Answer 1

這是一個完整的工作示例。

假設您的數據如下所示：

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

現在，您沒有提到每個類別有多少，所以讓我們檢查一下我們的樣本中有多少：

table(df$Category)

#>   1   2   3 
#> 153 179 168 

場景 1 很簡單。 您需要創建一個包含 500 個零的向量，然后將一個 1 寫入新向量的 200 個索引樣本中：

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

所以我們有隨機的零和一，但是當我們計算它們時，我們有：

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

場景 2 類似，但涉及更多一點，因為我們需要按類別分組執行類似的操作：

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

現在，由於每個類別中的數字不能很好地被 10 整除，我們無法准確地得到 40% 和 20%（盡管您可能使用自己的數據），但我們會盡可能接近它，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

^{由reprex package (v0.3.0) 於 2020 年 8 月 12 日創建}

Answer 2

另一種填充隨機值的方法是創建一個可能值向量（80 個值為 1，nrow-80 個值為 0），然后從這些可能值中采樣。 與通過索引設置值相比，這可以使用更多的 memory，但是潛在值的向量非常小，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

Answer 3

要解決方案 1，您需要創建一個包含 300 個零和 200 個 1 的向量，然后與該向量相同而無需替換。

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

sample(pull_from, replace = FALSE)

對於場景 2，我建議根據類別將您的數據分成 3 個單獨的塊，重復上述步驟，為您需要的零和零的數量使用不同的值，然后重新組合成一個 dataframe。