R 在 M 个集群中尽可能均匀地采样数据帧的 N 行（但在其中随机）

Question

我有一个如下所示形式的数据框。这些病例已预先分为不同人群的亚组，包括单身人士。我正在尝试编写一些代码，这些代码将从数据框中采样（不替换）任何指定数量的行，但尽可能均匀地分布在集群中。

> testdata
   Cluster Name
1        1    A
2        1    B
3        1    C
4        2    D
5        3    E
6        3    F
7        3    G
8        3    H
9        4    I
10       5    J
11       5    K
12       5    L
13       5    M
14       5    N
15       6    O
16       7    P
17       7    Q

例如，如果我要求 3 行的样本，我想从随机的 3 个簇中提取随机行（即不是每次都从簇 1-3 的第一行，尽管这是一个有效结果).

可接受的示例：

> testdata_subset
   Cluster Name
1        1    A
5        3    E
12       5    L 

> testdata_subset
   Cluster Name
6        3    F
14       5    N
15       6    O

不正确的例子：

> testdata_subset
   Cluster Name
6        3    F
8        3    H
13       5    M

相同的想法适用于所示示例数据中最多 7 个样本（每个集群 1 个）。对于更大的样本量，我想尽可能均匀地从每个集群中抽取，然后在具有未抽样行的剩余集群中均匀抽取，依此类推，直到抽取了指定数量的行。

我知道如何不加区别地采样N行：

testdata[sample(nrow(testdata), N),]

但这并没有考虑集群。我还使用 plyr 对每个集群随机抽样 N 行：

ddply(testdata,"Cluster", function(z) z[sample(nrow(z), N),])

但是，一旦您请求的行数多于集群中的行数（即，如果 N > 1），此操作就会失败。然后我添加了一个 if/else 语句来开始处理：

numsamp_per_cluster <- 2

ddply(testdata,"Cluster", function(z) if (numsamp_per_cluster > nrow(z)){z[sample(nrow(z), nrow(z)),]} else {z[sample(nrow(z), numsamp_per_cluster),]})

这有效地将要求的样本大小限制为每个集群的大小。但在这样做时，它失去了对整体样本量的控制。我希望（但开始怀疑）有一种使用 dplyr 或类似包的优雅方法可以进行这种半随机抽样。无论哪种方式，我都在努力将这些元素联系在一起并解决问题。

Answer 1

策略：首先，您随机分配每个 cluster 中的顺序。该值存储在下面的 inside 变量中。接下来，您随机 select 每个集群的第一个选择的顺序，依此类推（outside 变量）。最后，您将数据框 select 排序为每个集群的第一个选择，然后是第二个，依此类推，打破与 outside 变量的联系。类似的东西：

set.seed(1)
inside<-ave(seq_along(testdata$Cluster),testdata$Cluster,FUN=function(x) sample(length(x)))
outside<-ave(inside,inside,FUN=function(x) sample(seq_along(x)))
testdata[order(inside,outside),]   
#   Cluster Name
#10       5    J
#15       6    O
#4        2    D
#5        3    E
#9        4    I
#16       7    P
#1        1    A
#13       5    M
#3        1    C
#17       7    Q
#7        3    G
#6        3    F
#14       5    N
#2        1    B
#12       5    L
#8        3    H
#11       5    K

现在，select搜索结果的前 n 行 data.frame 您将得到您正在寻找的样本。

Answer 2

Base R 选项：您可以从集群的唯一值中随机抽取样本，然后使用这些值随机抽取名称？不是很优雅，但可以在函数中定义。 N 是您要从 "cluster".

中抽取的样本数

sampler <- function(df,n){
  s <- sample(unique(df[,1]),n)
  n <- sapply(s, function(x) sample(df[which(df[,1]==x),2],1,replace=F))
  data.frame(cluster = s, name = n)
}

> sampler(testdata,6)
  cluster name
1       4    I
2       2    D
3       6    O
4       1    A
5       7    Q
6       5    K

Answer 3

这是一个可以为您进行采样的函数。首先，我创建了列表中唯一元素的索引，然后将它们打乱。然后我按其中的元素数量对列表进行排序，以便我可以为所有类均匀地间隔开。我必须用它制作一个长向量并选择我想要的元素。

   sample_df=function(df,iter){
    l=unique(df$Cluster)
    cluster_pos=lapply(l, function(x) which(df$Cluster==x))
    random_cluster_pos=lapply(cluster_pos, function(x) if(length(x) > 1) { sample(x) } else x)
    ## index=random_cluster_pos[rev(order(sapply(random_cluster_pos, length)))]
    index=sample(random_cluster_pos)
    inde_pos=c(t(sapply(index, "[", 1:length(index))))
    inde_pos=inde_pos[!is.na(inde_pos)]
    return(df[inde_pos[1:iter],])
}
sample_df(testdata, 3)

R 在 M 个集群中尽可能均匀地采样数据帧的 N 行（但在其中随机）

R sample N rows of a dataframe as evenly as possible across M clusters (but randomly within)

r

subset

dataframe

subsampling