r 生成一个带有随机 1 和 0 的列，但有限制

Question

我有一个包含 500 个观察值的数据集。我喜欢根据两种情况随机生成1和0

当前数据集

  Id     Age    Category   
  1      23     1
  2      24     1
  3      21     2
  .      .      .
  .      .      .
  .      .      .
500      27     3

场景一

1的总数应该是200个，并且应该是随机的。剩下的300应该是0。

场景二

1的总数应该是200个，剩下的300个应该是0。
- 40% 的 1 应该属于 Category1。即80个1应该属于Category1
- 40%的1应该属于Category2 即80个1应该属于Category2
- 20%的1应该属于Category3 即40个1应该属于Category3

预期输出

  Id     Age    Category  Indicator  
  1      23     1         1
  2      24     1         0
  3      21     2         1
  .      .      .
  .      .      .
  .      .      .
500      27     3         1

我知道函数 sample(c(0,1), 500) 会生成 1，但我不知道如何让它随机生成 200 个 1。也不确定如何在 Category1 中随机生成 80 个 1，在 Category2 中随机生成 80 个 1，在 Category3 中随机生成 40 个 1。

Answer 1

要解决方案 1，您需要创建一个包含 300 个零和 200 个一的向量，然后从中创建相同的向量而无需替换。

pull_from = c(rep(0,300), rep(1,200))

sample(pull_from, replace = FALSE)

对于方案 2，我建议您根据类别将数据分成 3 个单独的块，重复上述步骤，为您需要的 0 和 1 的数量设置不同的值，然后重新组合成一个数据帧。

Answer 2

这是一个完整的示例。

假设您的数据如下所示：

set.seed(69)

df <- data.frame(id = 1:500, 
                 Age = 20 + sample(10, 500, TRUE),
                 Category = sample(3, 500, TRUE))

head(df)
#>   id Age Category
#> 1  1  21        2
#> 2  2  22        2
#> 3  3  28        3
#> 4  4  27        2
#> 5  5  27        1
#> 6  6  26        2

现在，你没有提到每个类别有多少，所以让我们检查一下样本中有多少：

table(df$Category)

#>   1   2   3 
#> 153 179 168

场景 1 很简单。您需要创建一个包含 500 个零的向量，然后将一个 1 写入新向量的索引的样本 200 中：

df$label <- numeric(nrow(df))
df$label[sample(nrow(df), 200)] <- 1

head(df)
#>   id Age Category label
#> 1  1  21        2     1
#> 2  2  22        2     1
#> 3  3  28        3     0
#> 4  4  27        2     0
#> 5  5  27        1     0
#> 6  6  26        2     1

所以我们有随机的 0 和 1，但是当我们计算它们时，我们有：

table(df$label)
#> 
#>   0   1 
#> 300 200

场景2类似但复杂一点，因为我们需要按类别进行类似的操作groupwise：

df$label <- numeric(nrow(df))
df <- do.call("rbind", lapply(split(df, df$Category), function(d) {
  n_ones <- round(nrow(d) * 0.4 / ((d$Category[1] %/% 3) + 1))
  d$label[sample(nrow(d), n_ones)] <- 1 
  d
  }))

head(df)
#>      id Age Category label
#> 1.5   5  27        1     0
#> 1.10 10  24        1     0
#> 1.13 13  23        1     1
#> 1.19 19  24        1     0
#> 1.26 26  22        1     1
#> 1.27 27  24        1     1

现在，由于每个类别中的数字不能很好地被 10 整除，我们无法精确地得到 40% 和 20%（尽管您可能会使用自己的数据），但我们会尽可能接近它，因为下面演示：

label_table <- table(df$Category, df$label)
label_table   
#>       0   1
#>   1  92  61
#>   2 107  72
#>   3 134  34

apply(label_table, 1, function(x) x[2]/sum(x))
#>         1         2         3 
#> 0.3986928 0.4022346 0.2023810

^{由 reprex package (v0.3.0)}

于 2020-08-12 创建

Answer 3

另一种填充随机值的方法是创建一个可能值的向量（80 个值为 1，nrow-80 个值为 0），然后从这些可能值中采样。这可能比通过索引设置值使用更多的内存，但是潜在值的向量非常小，通常是微不足道的。

set.seed(42)

df <- data.frame(id = 1:500, 
                 Age = 20 + sample(10, 500, TRUE),
                 Category = sample(3, 500, TRUE))

## In Tidyverse

library(tidyverse)

set.seed(42)

df2 <- df %>%
  group_by(Category) %>%
  mutate(Label = case_when(
    Category == 1 ~ sample(
      c(rep(1,80),rep(0,n()-80)),
      n()
    ),
    Category == 2 ~ sample(
      c(rep(1,80),rep(0,n()-80)), 
      n()
    ),
    Category == 3 ~ sample(
      c(rep(1,40),rep(0,n()-40)), 
      n()
    )
  ))

table(df2$Category,df2$Label)

#     0   1
# 1  93  80
# 2  82  80
# 3 125  40

## In base

df3 <- df

df3[df$Category == 1,"Label"] <- sample(
  c(rep(1,80),rep(0,nrow(df[df$Category == 1,])-80)),
  nrow(df[df$Category == 1,])
)
df3[df$Category == 2,"Label"] <- sample(
  c(rep(1,80),rep(0,nrow(df[df$Category == 2,])-80)),
  nrow(df[df$Category == 2,])
)
df3[df$Category == 3,"Label"] <- sample(
  c(rep(1,40),rep(0,nrow(df[df$Category == 3,])-40)),
  nrow(df[df$Category == 3,])
)

table(df3$Category,df3$Label)

#     0   1
# 1  93  80
# 2  82  80
# 3 125  40

r 生成一个带有随机 1 和 0 的列，但有限制

r generate a column with random 1s and 0s with restrictions

random

r

sampling