У меня есть фрейм данных в формате:
head(subset)
# ants 0 1 1 0 1
# age 1 2 2 1 3
# lc 1 1 0 1 0
Мне нужно создать новый фрейм данных со случайными выборками в соответствии с возрастом и lc. Например, я хочу 30 образцов из возраста: 1 и lc: 1, 30 образцов из возраста: 1 и lc: 0 и т.д.
Я действительно посмотрел на метод случайной выборки, как;
newdata <- function(subset, age, 30)
Но это не тот код, который я хочу.
Я бы предложил использовать stratified из моего пакета splitstackshape или sample_n из пакета "dplyr":
## Sample data
set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T),
lc = rbinom(n, 1 , .5),
ants = rbinom(n, 1, .7))
# table(d$age, d$lc)
Для stratified вы в основном указываете набор данных, стратифицирующие столбцы и целое число, представляющее нужный размер из каждой группы ИЛИ десятичный символ, представляющий часть, которую вы хотите вернуть (например,.1 представляет 10% от каждой группы).
library(splitstackshape)
set.seed(1)
out <- stratified(d, c("age", "lc"), 30)
head(out)
# age lc ants
# 1: 1 0 1
# 2: 1 0 0
# 3: 1 0 1
# 4: 1 0 1
# 5: 1 0 0
# 6: 1 0 1
table(out$age, out$lc)
#
# 0 1
# 1 30 30
# 2 30 30
# 3 30 30
# 4 30 30
# 5 30 30
Для sample_n сначала создайте сгруппированную таблицу (используя group_by), а затем укажите количество требуемых наблюдений. Если вам нужна пропорциональная выборка, вы должны использовать sample_frac.
library(dplyr)
set.seed(1)
out2 <- d %>%
group_by(age, lc) %>%
sample_n(30)
# table(out2$age, out2$lc)
Вот некоторые данные:
set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE),
lc = rbinom(n,1,.5),
ants = rbinom(n,1,.7))
Вам нужна стратегия split-apply-comb, где вы split ваш data.frame(d в этом примере), образец строк/наблюдений из каждой подвыборки, а затем снова объединяйтесь вместе с rbind. Вот как это работает:
sp <- split(d, list(d$age, d$lc))
samples <- lapply(sp, function(x) x[sample(1:nrow(x), 30, FALSE),])
out <- do.call(rbind, samples)
Результат:
> str(out)
'data.frame': 300 obs. of 3 variables:
$ age : int 1 1 1 1 1 1 1 1 1 1 ...
$ lc : int 0 0 0 0 0 0 0 0 0 0 ...
$ ants: int 1 1 0 1 1 1 1 1 1 1 ...
> head(out)
age lc ants
1.0.2242 1 0 1
1.0.4417 1 0 1
1.0.389 1 0 0
1.0.4578 1 0 1
1.0.8170 1 0 1
1.0.5606 1 0 1
Смотрите strata функций из выборки пакетов. Функция выбирает стратифицированную простую случайную выборку и в результате дает выборку. Добавлены два дополнительных столбца - вероятности включения (Prob) и показатель страты (Stratum). Смотрите пример.
require(data.table)
require(sampling)
set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T),
lc = rbinom(n, 1 , .5),
ants = rbinom(n, 1, .7))
# Sort
setkey(d, age, lc)
# Population size by strata
d[, .N, keyby = list(age, lc)]
# age lc N
# 1: 1 0 1010
# 2: 1 1 1002
# 3: 2 0 993
# 4: 2 1 1026
# 5: 3 0 1021
# 6: 3 1 982
# 7: 4 0 958
# 8: 4 1 940
# 9: 5 0 1012
# 10: 5 1 1056
# Select sample
set.seed(2)
s <- data.table(strata(d, c("age", "lc"), rep(30, 10), "srswor"))
# Sample size by strata
s[, .N, keyby = list(age, lc)]
# age lc N
# 1: 1 0 30
# 2: 1 1 30
# 3: 2 0 30
# 4: 2 1 30
# 5: 3 0 30
# 6: 3 1 30
# 7: 4 0 30
# 8: 4 1 30
# 9: 5 0 30
# 10: 5 1 30
Если я не понял вопрос, это смехотворно легко сделать с помощью простых функций.
Шаг 1: Создайте индикатор уровня, используя функцию interaction.
Шаг 2: Используйте tapply на последовательности индикаторов строки, чтобы определить индексы случайной выборки.
Шаг 3: Поднабор данных с этими индексами
Используя пример данных из @Thomas:
set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE),
lc = rbinom(n,1,.5),
ants = rbinom(n,1,.7))
## stratum indicator
d$group <- interaction(d[, c('age', 'lc')])
## sample selection
indices <- tapply(1:nrow(d), d$group, sample, 30)
## obtain subsample
subsampd <- d[unlist(indices, use.names = FALSE), ]
Проверьте соответствующую стратификацию
> table(subsampd$group)
1.0 2.0 3.0 4.0 5.0 1.1 2.1 3.1 4.1 5.1
30 30 30 30 30 30 30 30 30 30
Вот однострочник, использующий data.table:
set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T),
lc = rbinom(n, 1, .5),
ants = rbinom(n, 1, .7))
out <- d[, .SD[sample(1:.N, 30)], by=.(age, lc)]
# Check
out[, table(age, lc)]
## lc
## age 0 1
## 1 30 30
## 2 30 30
## 3 30 30
## 4 30 30
## 5 30 30