从数据表中，每组随机选择一行答案

【问题标题】：from data table, randomly select one row per group从数据表中，每组随机选择一行
【发布时间】：2016-02-26 12:08:51
【问题描述】：

我正在寻找一种从数据表中选择行的有效方法，以便我为特定列中的每个唯一值都有一个代表行。

让我举一个简单的例子：

require(data.table)

y = c('a','b','c','d','e','f','g','h')
x = sample(2:10,8,replace = TRUE)
z = rep(y,x)
dt = as.data.table( z )

我的目标是通过对 z 列中的每个字母 a-h 采样一行来对数据表 dt 进行子集化。

【问题讨论】：

标签： r data.table subset random-sample

【解决方案1】：

OP 在示例中只提供了一个列。假设原始数据集中有多列，我们按'z'分组，sample每组从行序列中取1行，得到行索引（.I），提取行索引（@ 987654323@) 并使用它来子集 'dt' 的行。

dt[dt[ , .I[sample(.N,1)] , by = z]$V1]

【讨论】：

请同时添加相关信息。
这是完美的，正是我想要的。是的，假设有多个列，我的问题数据表有 200 多列，但为了清楚和理解（就我而言），我保持示例简单。

【解决方案2】：

你可以使用 dplyr

library(dplyr)

dt %>%
  group_by(z) %%
  sample_n(1)

【讨论】：

请解释一下为什么您的提案解决了 OP 的问题。
似乎是这里的一种类型。试试group_by(z) %>% 而不是group_by(z) %%。

【解决方案3】：

我认为按行对 data.table 进行洗牌然后应用 unique(...,by) 也可以。组由by 组成，之前的洗牌会在每个组内向下渗透：

# shuffle the data.table row-wise
dt <- dt[sample(dim(dt)[1])]
# uniqueness by given column(s)
unique(dt, by = "z")

下面是一个更大的 data.table 示例，按 3 列分组。与@akrun 的解决方案相比，似乎给出了相同的分组：

set.seed(2017)
dt <- data.table(c1 = sample(52*10^6), 
                 c2 = sample(LETTERS, replace = TRUE), 
                 c3 = sample(10^5, replace = TRUE), 
                 c4 = sample(10^3, replace = TRUE))
# the shuffling & uniqueness
system.time( test1 <- unique(dt[sample(dim(dt)[1])], by = c("c2","c3","c4")) )
# user  system elapsed 
# 13.87    0.49   14.33 

# @akrun' solution
system.time( test2 <- dt[dt[ , .I[sample(.N,1)] , by = c("c2","c3","c4")]$V1] )
# user  system elapsed 
# 11.89    0.10   12.01 

# Grouping is identical (so, all groups are being sampled in both cases)
identical(x=test1[,.(c2,c3)][order(c2,c3)], 
          y=test2[,.(c2,c3)][order(c2,c3)])
# [1] TRUE

对于每组多于一行的抽样检查here

【讨论】：