Выборки строк подгрупп из dataframe с dplyr

Если я хочу случайно выбрать некоторые образцы из разных групп, я использую пакет plyr и код ниже

require(plyr)
sampleGroup<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

iris.sample<-ddply(iris,.(Species),function(df) sampleGroup(df,10))

Здесь 10 выборок выбирают из каждого вида.

Некоторые из моих dataframes очень большие, и мой вопрос: могу ли я использовать ту же функцию sampleGroup с пакетом dplyr? Или есть другой способ сделать то же самое в dplyr?

ИЗМЕНИТЬ

Версия 0.2 пакета dplyr представила две новые функции для выбора случайных строк из таблицы sample_n и sample_frac

Ответ 1

Да, вы можете использовать dplyr элегантно функцией do(). Вот пример:

mtcars %>% 
    group_by(cyl) %>%
    do(sample_n(.,2))

и результаты выглядят так:

Source: local data frame [6 x 11]
Groups: cyl

   mpg cyl  disp  hp drat    wt  qsec vs am gear carb
1 24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
2 26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
3 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
4 17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
5 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
6 15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8

Update:

Функция do больше не нужна для sample_n в новых версиях dplyr. Текущий код для взятия случайной выборки из двух строк на группу:

mtcars %>% 
    group_by(cyl) %>% 
    sample_n(2)

Ответ 2

Это легко сделать с data.table и полезно для большой таблицы.

Примечание: Как упоминалось в комментариях Трои, есть более эффективный способ сделать это с использованием data.table, но я хотел уважать функцию выборки OP и формат в ответе.

require(data.table)
DT <- data.table(x = rnorm(10e6, 100, 50), y = letters)

sampleGroup<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

result <- DT[, sampleGroup(.SD, 10), by=y]
print(result)

# y         x y
# 1: a  30.11659 m
# 2: a  57.99974 h
# 3: a  58.13634 o
# 4: a  87.28466 x
# 5: a  85.54986 j
# ---              
# 256: z 149.85817 d
# 257: z 160.24293 e
# 258: z  26.63071 j
# 259: z  17.00083 t
# 260: z 130.27796 f

system.time(DT[, sampleGroup(.SD, 10), by=y])
# user  system elapsed 
# 0.66    0.02    0.69 

Using the iris dataset:
iris <- data.table(iris)
iris[,sampleGroup(.SD, 10), by=Species]

Ответ 3

Это хороший вопрос! Невозможно увидеть какой-либо простой способ сделать это с документированным синтаксисом для dplyr, но как это сделать для обхода?

sampleGroup<-function(df,x=1){

  df[
    unlist(lapply(attr((df),"indices"),function(r)sample(r,min(length(r),x))))
    ,]

}

sampleGroup(iris %.% group_by(Species),3)

#Source: local data frame [9 x 5]
#Groups: Species
#
#    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
#39           4.4         3.0          1.3         0.2     setosa
#16           5.7         4.4          1.5         0.4     setosa
#25           4.8         3.4          1.9         0.2     setosa
#51           7.0         3.2          4.7         1.4 versicolor
#62           5.9         3.0          4.2         1.5 versicolor
#59           6.6         2.9          4.6         1.3 versicolor
#148          6.5         3.0          5.2         2.0  virginica
#103          7.1         3.0          5.9         2.1  virginica
#120          6.0         2.2          5.0         1.5  virginica

РЕДАКТИРОВАНИЕ - СРАВНЕНИЕ ПРОИЗВОДИТЕЛЬНОСТИ

Здесь выполняется тест против использования data.table(как native, так и с вызовом функции в соответствии с примером) для 1m строк, 26 групп.

Собственная таблица данных составляет примерно в 2 раза быстрее, чем обходной путь dplyr, а также вызов data.table с выносом. Поэтому, вероятно, dplyr/data.table имеют одинаковую производительность.

Надеюсь, ребята dplyr дадут нам некоторый собственный синтаксис для отбора проб в ближайшее время! (или даже лучше, возможно, он уже там)

sampleGroup.dt<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

testdata<-data.frame(group=sample(letters,10e5,T),runif(10e5))

dti<-data.table(testdata)

# using the dplyr workaround with external function call
system.time(sampleGroup(testdata %.% group_by(group),10))
#user  system elapsed 
#0.07    0.00    0.06 

#using native data.table
system.time(dti[dti[,list(val=sample(.I,10)),by="group"]$val])
#user  system elapsed 
#0.04    0.00    0.03 

#using data.table with external function call
system.time(dti[, sampleGroup.dt(dti, 10), by=group])
#user  system elapsed 
#0.06    0.02    0.08