使用特定于组的样本大小从数据框中采样答案

【问题标题】：Sample from a data frame using group-specific sample sizes使用特定于组的样本大小从数据框中采样
【发布时间】：2021-06-03 03:58:52
【问题描述】：

我想使用每个组中不相等的样本大小从数据框中抽取行。

假设我们有一个按“组”分组的简单数据框：

library(dplyr)
set.seed(123)

df <- data.frame(group = rep(c("A", "B"), each = 10), 
                 value = rnorm(10))
df
#>    group       value
#> 1      A -0.56047565
#> 2      A -0.23017749
#> .....
#> 10     A -0.44566197
#> 11     B -0.56047565
#> 12     B -0.23017749
#> .....
#> 20     B -0.44566197

使用dplyr 包中的slice_sample 函数，您可以轻松地从该数据帧中分割相等大小的组：

df %>% group_by(group) %>% slice_sample(n = 2) %>% ungroup()

#> # A tibble: 4 x 2
#>   group  value
#>   <fct>  <dbl>
#> 1 A     -0.687
#> 2 A     -0.446
#> 3 B     -0.687
#> 4 B      1.56

问题

您如何从每个组（大小不相等的切片组）中采样不同个值？例如，从 A 组中采样 4 行，从 B 组中采样 5 行？

【问题讨论】：

标签： r dplyr sample

【解决方案1】：

我能想到的最简单的事情是使用purrr 的map2 解决方案。

library(dplyr)
library(purrr)

df %>% 
  group_split(group) %>% 
  map2_dfr(c(4, 5), ~ slice_sample(.x, n = .y))

# A tibble: 9 x 2
  group   value
  <chr>   <dbl>
1 A     -0.687 
2 A      1.56  
3 A      0.0705
4 A      1.72  
5 B     -0.560 
6 B      0.461 
7 B      0.129 
8 B      0.0705
9 B     -0.230

需要注意的是，您需要了解拆分的顺序。我认为group_split() 会将组作为因素进行排序。一种解决方法是像这样适应，并从命名向量中查找n。

group_slice_n <- c(A = 4, B = 5)

df %>% 
  split(.$group) %>% 
  imap_dfr(~ slice_sample(.x, n = group_slice_n[.y]))

【讨论】：

【解决方案2】：

试试这个：

group_sizes <- tibble(group = c("A", "B"), size = c(4, 5))
set.seed(2021)
df %>%
  left_join(group_sizes, by = "group") %>%
  group_by(group) %>%
  mutate(samp = sample(n())) %>%
  filter(samp <= size) %>%
  ungroup()
# # A tibble: 9 x 4
#   group   value  size  samp
#   <chr>   <dbl> <dbl> <int>
# 1 A      0.0705     4     2
# 2 A      0.129      4     4
# 3 A     -0.687      4     1
# 4 A     -0.446      4     3
# 5 B     -0.560      5     5
# 6 B      1.56       5     1
# 7 B      0.129      5     4
# 8 B      1.72       5     3
# 9 B     -1.27       5     2

【讨论】：

【解决方案3】：

您可以使用我的“splitstackshape”包中的stratified 函数：

> library(splitstackshape)
> stratified(df, "group", c(A = 4, B = 5))
   group      value
1:     A -0.6868529
2:     A  0.4609162
3:     A  1.7150650
4:     A -0.4456620
5:     B  0.4609162
6:     B -0.4456620
7:     B  0.1292877
8:     B -1.2650612
9:     B -0.2301775

【讨论】：

分层看起来很简洁

【解决方案4】：

一种data.table 方法，使用mapply 在向量中循环使用样本大小的列表元素（列表长度！）

library( data.table )
setDT(df) #make it a data.table
L <- split( df, by = "group" ) #split to a list by group
#function
mysamples <- function( dt, samplesize ) {
  dt[ sample( 1:nrow(dt), samplesize), ]
}
#mapply
mapply( mysamples, L, samplesize = c(4,5), SIMPLIFY = FALSE )

#output
# $A
# group      value
# 1:     A -0.6868529
# 2:     A -0.4456620
# 3:     A -0.5604756
# 4:     A  0.1292877
# 
# $B
# group      value
# 1:     B  1.5587083
# 2:     B -1.2650612
# 3:     B -0.2301775
# 4:     B  0.4609162
# 5:     B -0.6868529

【讨论】：

【解决方案5】：

set.seed(123)
library(tidyverse)

map2_df(unique(df$group), c(4,5),
        ~df %>% 
          filter(group == .x) %>% 
          slice_sample(n = .y))

  group      value
1     A -0.3724388
2     A -0.4168576
3     A  0.5629895
4     A -1.2601552
5     B  1.0527115
6     B -0.3745809
7     B  0.9769734
8     B -0.4168576
9     B -1.0491770

如果您的数据尚未整理，您可以使用以下方式：

map2_df(unique(sort(df$group)), c(4,5),
        ~df %>% arrange(group) %>% 
          filter(group == .x) %>%
          slice_sample(n = .y))

【讨论】：

如果分组顺序不受控制，这个如何将“4”锁定到A？
map2_df(unique(sort(df$group)), c(4,5), ~df %>% arrange(group) %>% filter(group == .x) %>% slice_sample(n = .y))
但是，是的，我确实同意@Adam 的解决方案更短/更可取
（不要告诉我，这属于答案。@Adam 的第一部分也遇到了同样的问题......似乎在更新中得到了修复。 )

【解决方案6】：

基于联接的另一种data.table 可能性。

将特定组的样本大小放入“查找表”（此处为列表，.(...)）；加入“组”上的原始数据（on = .(group)）；对于i (by = .EACHI) 中的每场比赛，从大小 = size[1] 的“值”中选择一个样本

setDT(df)[.(group = c("A", "B"), size = c(4, 5)), on = .(group), sample(value, size[1]),
         by = .EACHI]

#    group         V1
# 1:     A -0.6868529
# 2:     A -0.4456620
# 3:     A -0.5604756
# 4:     A  0.1292877
# 5:     B  1.5587083
# 6:     B -1.2650612
# 7:     B -0.2301775
# 8:     B  0.4609162
# 9:     B -0.6868529

【讨论】：