以 variable/column 达到某个平均值为条件对特定数量的 tibble 行进行采样

Question

我有一个包含很多行 (~500000) 的数据集。此数据集的列 "X" 的平均值为 4.5。我想对数据集（不替换）进行采样，使其具有大约 50000 行，同时达到 "X" 的平均值，大约为 3.5。

我如何在 R 中以相当快的方式做到这一点？

Answer 1

由于 OP 的唯一标准是使样本均值接近 3.5，而不考虑分散性，因此这是一种可能的方法：

计算与3.5的偏差，
按此偏差对数据进行排序，
计算 X 的累积平均值，按与 3.5 的绝对偏差排序，
在对数据进行采样之前，对数据进行子集化，使累积平均值约为 3.5。

代码：

library(data.table)
nr <- 5e5
ns <- 5e4
DT <- data.table(X=rnorm(nr, 4.5))

target <- 3.5
dev <- 0.05
setorder(DT[, absDev := abs(X - target)], absDev)
DT[, cummean := cumsum(X) / seq_len(.N)]
x <- DT[(target-dev) <= cummean & cummean <= (target+dev), sample(X, ns)]
mean(x)
#[1] 3.549371

以 variable/column 达到某个平均值为条件对特定数量的 tibble 行进行采样

Sample a specific number of tibble rows conditional to a variable/column reaching a certain mean value

r

sampling

conditional-statements