基于分布的数据框样本

Question

我正在尝试从数据框中采样，但条件是样本代表某个标准的分布（在我的例子中。数据框的结构如下：

df <- data.frame(Locaton = c(A, B, B, B, C, C, ...),
                 Veg_Species = c(X, Y, Z, Z, Z, Z...),
                 Date_Diff = c(2, 5, 2, 0, 4, 4...))

重要的是要知道，Veg_Species 的数量不同。这意味着 X 出现了 25 次，例如 Y 45 次和 Z 78 次。现在我想根据最小样本 Date_Diff 的分布从不同的 Veg_Species 中抽样。在那种情况下，这意味着根据 X.

的 Date_diff 分布从每个物种中抽样

我认为我可以用 dplyr:

sample.species <- df %>% filter(Veg_Species == 'Z') %>% sample_n(25, replace = TRUE)

但这显然只是从名称为 Z 的所有 Veg_Species 中随机抽样。

我怎样才能把分布也考虑进去？

有关更详细的示例，请单击 here。

Answer 1

在我看来，您想对数据集进行采样，但要保持 X 子集中存在的 Date_diff 分布。

首先您需要确定 X 子集中存在什么。我做了一些看起来像你的假数据：

set.seed(123)
df <- data.frame(Location = sample(LETTERS[1:3], 148, replace = TRUE),
                 Veg_Species = c(rep("X", 25), rep("Y", 45), rep("Z", 78)),
                 Date_Diff = trunc(runif(148, 0, 10)))

现在，我们需要为 Veg_Species = X 分配 Date_Diff。我们可以用 dplyr:

library(dplyr)
x_dist <- df %>%
  filter(Veg_Species == "X") %>%
  group_by(Date_Diff) %>%
  summarize(count = n())
x_dist
A tibble: 8 x 2
  Date_Diff count
      <dbl> <int>
1         1     2
2         2     6
3         3     5
4         4     3
5         5     3
6         6     2
7         7     2
8         8     2

现在我们过滤原始数据，nest_by(Date_Diff)并通过x_dist中的count对每个data进行采样。

set.seed(345)
df_sample <- df %>%
  semi_join(x_dist) %>%  # Remove all rows with Date_Diff not in x_dist
  nest_by(Date_Diff) %>%
  inner_join(x_dist) %>% 
  mutate(data = list(data[sample(1:nrow(data), # sampling the data
                                 size = count, 
                                 replace = TRUE),])) %>%
  summarize(data) %>%    # unnesting the data
  select(Location, veg_Species, 
         Date_Diff, -count) # reordering columns and removing count
df_sample
# A tibble: 25 x 3
# Groups:   Date_Diff [8]
   Location Veg_Species Date_Diff
   <chr>    <chr>           <dbl>
 1 C        Z                   1
 2 A        Z                   1
 3 A        Y                   2
 4 C        Z                   2
 5 B        X                   2
 6 B        Z                   2
 7 B        X                   2
 8 B        X                   2
 9 A        Y                   3
10 A        X                   3
# ... with 15 more rows

Answer 2

sample() 中的参数 prob= 是每个样本元素的权重向量。我的想法是使用每行的索引和权重向量进行采样。这将保留分布。

sample_by_distribution <- function(df, dist_weights_col, n, replace=FALSE) {
  sampled_indexes <- sample(x=1:nrow(df), size=n, replace=replace, prob = df[, dist_weights_col])
  df[sampled_indexes,]
}

通过考虑您案例中的分布权重进行抽样：

sample_df <- sample_by_distribution(df, "Date_Diff", 25, replace=FALSE)

这将对 df 的 25 行进行采样，而每行的概率都在“Date_Diff”列之后。因此，“Veg_Species”的分布也应该保留。

Answer 3

也许您可以尝试对 Date_Diff 的分布进行核密度估计。

1.数据和包

df <- read.csv("http://www.sharecsv.com/dl/2a26bf2c69bfd76e8ddcecd1c3739a31/ex.csv", row.names = 1)
library(dplyr)

2。找到最小的物种

df %>% count(Species)

#                   Species  n
# 1 Adenostoma fasciculatum 95
# 2     Artemisia filifolia 26
# 3  Eriogonum fasciculatum 41
# 4              Tamarix L. 27

3。分布和线性插值的核密度估计

(参考：https://stats.stackexchange.com/a/78775/218516)

val <- df$Date_Diff[df$Species == "Artemisia filifolia"]
dist.fun <- approxfun(density(val))

4.采样

(sample_n() 自 dplyr 1.0.0. 以来已被 slice_sample() 取代)

df2 <- df %>%
  group_by(Species) %>% 
  slice_sample(n = 26, weight_by = dist.fun(Date_Diff)) %>%
  ungroup()

5.检查

df2 %>% count(Species)

#   Species                     n
#   <chr>                   <int>
# 1 Adenostoma fasciculatum    26
# 2 Artemisia filifolia        26
# 3 Eriogonum fasciculatum     26
# 4 Tamarix L.                 26

基于分布的数据框样本

Sample from data frame based on distribution

r

sample

distribution