R：使用 tapply 按因素抽样观察

Question

我有一个大数据集，我正试图从中抽样行。每行都有一个家庭 ID，每个家庭 ID 可能有一行或多行。我想通过为每个家庭 ID 随机抽取一行来解析数据集。我试图通过使用 tapply() 和 split() + lapply() 函数来完成此操作，但无济于事。下面是重现我的问题的代码 - 因子级别和数据条目的大小和范围反映了我正在使用的数据集。

set.seed(63)
f1 <- factor(c(rep(30000:32000, times=1), 
               rep(30500:31700, times = 2), 
               rep(30900:31900, times = 3)))
f2 <- factor(rep(sample(1:7, replace = TRUE), times = length(f1)/7))
x1 <- round(matrix(rnorm(length(f1)*300), nrow = length(f1), ncol = 300),3)
df <- data.frame(f1, f2, x1)

接下来，我使用 tapply 从 f1 中对每个因子采样一行，然后检查重复项。（f2 是索引观察的另一个方面的次要因素，但 [希望] 与此无关；我将其包含在内只是为了完全公开我的数据集的结构）。

s1 <- tapply(1:nrow(df), df$f1, sample, size=1)
any(duplicated(s1))

使用duplicated的第二行代码的输出是TRUE，这意味着有重复。难住了，我尝试 split 看看是否是问题所在。

df.split <- split(1:nrow(df), df$f1)
any(duplicated(df.split))

这里 duplicated 的输出是 FALSE，所以问题不是 split。然后我将输出 df.split 与 lapply 和 sample 一起使用，看看问题是否出在 tapply.

df.unique <- unlist(lapply(df.split, sample, size = 1, replace = FALSE, 
                           prob = NULL))
any(duplicated(df.unique))

在第一行中，我从输出列表的df.split的每个元素中采样了一个值，然后我使用unlist转换为一个向量。这里 duplicated 的输出也是 TRUE.

sample 和 lapply 中的某处发生了奇怪的事情（因为 tapply 只是调用 lapply）。我不确定如何解决这个问题（我搜索了 SO 和 Google 并没有发现与我的问题相关的任何内容），所以非常感谢任何帮助！

编辑：我希望有人能告诉我为什么上面使用 tapply 和 lapply 的代码没有按预期工作。 Arthur 提供了一个很好的答案，我也为 sample 编写了一个循环。我想知道为什么上面的代码运行不正常。

Answer 1

我会这样做：

library(data.table)
data.table(df)[,.SD[sample(.N,1)],by='f1']

... 但实际上，如果您只想要一个索引而不是实际的子集 table ，那么您使用 tapply 的原始方法会更快；但是，您必须注意到 sample(n) 实际上在 length(n)==1 时在 1:n 中采样。参见 ?sample。这个版本是防错的：

 s1 <- tapply(1:nrow(df), list(df$f1), function(v) v[sample(1:length(v), 1)])` is error prooff

R：使用 tapply 按因素抽样观察

R: Sampling observations by factors using tapply

r

split

sample

lapply