因子分层抽样

Question

我有一个 1000 行的数据集，其结构如下：

     device geslacht leeftijd type1 type2
1       mob        0       53     C     3
2       tab        1       64     G     7
3        pc        1       50     G     7
4       tab        0       75     C     3
5       mob        1       54     G     7
6        pc        1       58     H     8
7        pc        1       57     A     1
8        pc        0       68     E     5
9        pc        0       66     G     7
10      mob        0       45     C     3
11      tab        1       77     E     5
12      mob        1       16     A     1

我想制作一个 80 行的样本，其中 10 行 type1 = A，10 行 type1 = B，依此类推。有没有人可以帮助他？

Answer 1

下面是我将如何使用 data.table

来解决这个问题

library(data.table)
indx <- setDT(df)[, .I[sample(.N, 10, replace = TRUE)], by = type1]$V1
df[indx]
#     device geslacht leeftijd type1 type2
#  1:    mob        0       45     C     3
#  2:    mob        0       53     C     3
#  3:    tab        0       75     C     3
#  4:    mob        0       53     C     3
#  5:    tab        0       75     C     3
#  6:    mob        0       45     C     3
#  7:    tab        0       75     C     3
#  8:    mob        0       53     C     3
#  9:    mob        0       53     C     3
# 10:    mob        0       53     C     3
# 11:    mob        1       54     G     7
#...

或者更简单的版本是

setDT(df)[, .SD[sample(.N, 10, replace = TRUE)], by = type1]

基本上我们从每组 type1 中的行索引中抽样（使用替换 - 因为每组中的行数少于 10 行），然后通过该索引

对数据进行子集化

与 dplyr 类似，您可以这样做

library(dplyr)
df %>% 
  group_by(type1) %>%
  sample_n(10, replace = TRUE)

Answer 2

基础 R 解决方案：

do.call(rbind,
        lapply(split(df, df$type1), function(i)
          i[sample(1:nrow(i), size = 10, replace = TRUE),]))

编辑：

@BrodieG 建议的其他解决方案

with(DF, DF[unlist(lapply(split(seq(type), type), sample, 10, TRUE)), ])

with(DF, DF[c(sapply(split(seq(type), type), sample, 10, TRUE)), ])

Answer 3

基础 R 中的另一个选项：

df[as.vector(sapply(unique(df$type1), 
                    function(x){
                        sample(which(df$type1==x), 10, replace=T)
                    })), ]

因子分层抽样

Stratified sampling on factor

r

sampling

dataframe