如何根據R中的分組獲取數據幀的子集？

Question

我有一個匯總問題，無法弄清楚如何在R中有效執行。

說我有以下數據：

group1 <- c("a","b","a","a","b","c","c","c","c",
            "c","a","a","a","b","b","b","b")
group2 <- c(1,2,3,4,1,3,5,6,5,4,1,2,3,4,3,2,1)
value  <- c("apple","pear","orange","apple",
            "banana","durian","lemon","lime",
            "raspberry","durian","peach","nectarine",
            "banana","lemon","guava","blackberry","grape")
df <- data.frame(group1,group2,value)

我對從數據幀df采樣感興趣，這樣我就從因素group1和group2每種組合中僅隨機選擇了一行。

如您所見， table(df$group1,df$group2)

  1 2 3 4 5 6
a 2 1 2 1 0 0
b 2 2 1 1 0 0
c 0 0 1 1 2 1

顯示了一些組合被多次查看，而其他組合則從未被看到。 對於那些被多次查看的對象（例如， group1="a"和group2=3 ），我只想隨機選擇一個對應的行，並返回僅包含該行子集的新數據框。 這樣，分組因子的每種可能組合僅由數據幀中的單個行表示。

這里的一個重要方面是我的實際數據集可以包含從500,000行到> 2,000,000行的任意位置，因此，請務必注意性能。

我是R的新手，因此一直很難弄清楚如何正確生成此結構。 一種嘗試如下所示（使用plyr軟件包）：

choice <- function(x,label) {
    cbind(x[sample(1:nrow(x),1),],data.frame(state=label))
}

df <- ddply(df[,c("group1","group2","value")],
            .(group1,group2),
            pick_junc,
            label="test")

請注意，在這種情況下，我還將在數據幀中添加一個稱為“標簽”的額外列，該列被指定為ddply函數的額外參數。 但是，大約20分鍾后，我殺死了它。

在其他情況下，我曾嘗試使用aggregate或by或tapply ，但是我不知道確切地指定的函數正在獲取什么，應該返回什么或如何處理結果（尤其是by ）。

我正在嘗試從python切換到R以進行探索性數據分析，但是這種聚合類型對我來說至關重要。 在python中，我可以非常快速地執行這些操作，但是這很不方便，因為我必須為要執行的每種不同類型的聚合生成單獨的腳本/數據結構。

我想愛R，所以請幫忙！ 謝謝！

烏里

Answer 1

這是plyr解決方案

set.seed(1234)
ddply(df, .(group1, group2), summarize, 
     value = value[sample(length(value), 1)])

這給了我們

   group1 group2      value
1       a      1      apple
2       a      2  nectarine
3       a      3     banana
4       a      4      apple
5       b      1      grape
6       b      2 blackberry
7       b      3      guava
8       b      4      lemon
9       c      3     durian
10      c      4     durian
11      c      5  raspberry
12      c      6       lime

編輯。 有了這么大的數據幀，最好使用data.table

library(data.table)
dt = data.table(df)
dt[,list(value = value[sample(length(value), 1)]),'group1, group2']

編輯2：性能比較：數據表快15倍

group1 = sample(letters, 1000000, replace = T)
group2 = sample(LETTERS, 1000000, replace = T)
value  = runif(1000000, 0, 1)
df     = data.frame(group1, group2, value)
dt     = data.table(df)

f1_dtab = function() {
   dt[,list(value = value[sample(length(value), 1)]),'group1, group2']
}
f2_plyr = function() {ddply(df, .(group1, group2), summarize, value =          
   value[sample(length(value), 1)])
}

f3_by = function() {do.call(rbind,by(df,list(grp1 = df$group1,grp2 = df$group2),
  FUN = function(x){x[sample(nrow(x),1),]}))
}


library(rbenchmark)
benchmark(f1_dtab(), f2_plyr(), f3_by(), replications = 10)

      test  replications elapsed relative
  f1_dtab()           10   4.764  1.00000    
  f2_plyr()           10  68.261 14.32851    
    f3_by()           10  67.369 14.14127 

Answer 2

另一種方式：

with(df, tapply(value, list( group1,  group2), length))
   1  2 3 4  5  6
a  2  1 2 1 NA NA
b  2  2 1 1 NA NA
c NA NA 1 1  2  1
# Now use tapply to sample withing groups
# `resample` fn is from the sample help page:
# Avoids an error with sample when only one value in a group.
resample <- function(x, ...) x[sample.int(length(x), ...)]
#Create a row index
df$idx <- 1:NROW(df)
rowidxs <- with(df,  unique( c(    # the `c` function will make a matrix into a vector
              tapply(idx, list( group1,  group2),
                            function (x) resample(x, 1) ))))
rowidxs
# [1]  1  5 NA 12 16 NA  3 15  6  4 14 10 NA NA  7 NA NA  8
df[rowidxs[!is.na(rowidxs)] , ]