基於兩列中的所有組隨機排列行

Question

我有一個大約有 167k 行的大型數據集。 我想抽取 2000 行的樣本，同時確保我從數據中的兩列(id & quality)中的所有組中抽取行。 這是數據的快照

df <- data.frame(id=c(1,2,3,4,5,1,2),
                 quality=c("a","b","c","d","z","g","t"))

df %>% glimpse()
Rows: 7
Columns: 2
$ id      <dbl> 1, 2, 3, 4, 5, 1, 2
$ quality <chr> "a", "b", "c", "d", "z", "g", "t"

因此，我需要確保采樣數據具有來自這兩個組列的所有組合的行。 我希望有人能幫忙。

謝謝！

Answer 1

我想這就是你要找的。

my_df <- data.frame(id = c(1, 2, 3, 4, 5, 1, 2, 2, 2),
                    quality = c("a", "b", "c", "d", "z", "g", "t", "t", "t"))

my_df <- my_df %>% group_by(id, quality) %>% mutate(Unique = cur_group_id())
my_df$Test <- seq.int(from = 1, to = nrow(my_df), by = 1)

my_a <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_b <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_c <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_d <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_e <- my_df %>% group_by(Unique) %>% sample_n(., 1)

您不需要那么多數據框，這些只是示例，表明對於每個唯一的組，將隨機提取 1 行。 根據數據樣本，在名為“Test”的列中可以看到差異，特別是對於 id = 2 和 quality = t。

Answer 2

如果要確保每個id和quality都在新樣本中表示，則需要按這些變量對數據進行group 。

您正在尋找的是以下內容，

df %>% 
        group_by(id,quality) %>% 
        sample_n(1, replace = TRUE)

您可以更改樣本大小 pr group和id ，並根據需要設置replacement 。

它給出了以下輸出，

# Groups:   id, quality [7]
     id quality
  <dbl> <chr>  
1     1 a      
2     1 g      
3     2 b      
4     2 t      
5     3 c      
6     4 d      
7     5 z 

您提供的數據具有唯一的組，因此按照您希望的方式進行采樣，提供的行數與您的數據相同。

---

編輯： sample_n被 slice_sample slice_sample ，我不知道這一點。 但是您可以通過以下方式輕松更改script ，

df %>% 
        group_by(id,quality) %>% 
        slice_sample(
                n = 1
        )

您還可以通過設置prop而不是n來對data.frame的proportion進行采樣，

df %>% 
        group_by(id,quality) %>% 
        slice_sample(
                prop = 0.25
        )