如何在 R 中创建小型数据集的模拟

Question

我对编程很陌生，因此，如果我的问题看起来很基础，我深表歉意。

基本上我现在有一个 apprx 的数据集。 300 行。现在的想法是创建一个大小为 10k 的全新数据集，但是它仍然具有与 300 的 smlla 数据集相同的特征。

ID Category1 Category2 Amount1 Probability1 1 Class1 A 100 0.3 2 Class2 B 800 0.2 3 Class3 C 300 0.7 4 Class2 A 250 0.4 5 Class3 C 900 0.6

我已经进行了探索性分析。我知道我的数字数据具有 beta 分布，并且我知道平均值和 sd（以及相关的偏度水平） 对于我的分类数据，我知道百分比分布，因此例如类别 A 占数据集的 25%。 B 类占 35%，C 类占 40%。

我现在的问题是：为了模拟这些数据并创建更大的数据集，最好的软件包是什么？

我在 simstudy 包上发现它看起来非常好，但是，我对编程还是很陌生，我很难理解代码。

这里是描述的链接 https://cran.r-project.org/web/packages/simstudy/vignettes/simstudy.html （我还检查了 R 文档，但对于像我这样的新手来说，很难理解并完全理解它）

我仍然不知道如何在那里定义我的分类值。 （他们在那里设置了单个类的百分比分布，但实际上并没有设置适用于哪个类。

也许，这里有人可以帮我解释一下如何将它应用到我的数据集上，或者还有其他更好的包吗？

非常感谢您！

编辑

所以我当前使用 simstudy 包的代码如下：

def <- defData(varname = "Product_Class", formula = "0.25;0.35;0.4", dist = "categorical")
def <- defData(varname = "Category", formula = "0.25;0.35;0.4", dist = "categorical")
def <- defData(def, varname = "Amount", dist = "beta", formula = 0.6, variance = 0.12)
def <- defData(def, varname = "Amount2", dist = "beta", formula = 0.45, variance = 0.1)
def <- defData(def, varname = "Probability", dist = "beta", formula = 0.4, variance = 0.23)

但是，我的问题是我无法创建倾斜的 beta 分布（而且我知道我的数据向右倾斜）。

或者，我可以使用这个公式，但在这里我必须单独创建每一列，并且我无法在某些列之间创建关系（f.i. 相关性，我稍后也必须创建）

rsbeta(n, shape1, shape) 
# shape1 <0 & shape2 >0 creates a right skewede beta distribution
rsbeta(1000, 0.2,3)

还有什么其他的建议可以解决这个问题吗？

您通常如何模拟只有有限条目的不同数据集？

Answer 1

如果您只是在 R 中使用带有替换的 sample() 函数，它会起作用吗？ 这是一个使用 mtcars 数据集的示例。

data(mtcars)
mydata=mtcars[,1:4] # only using the first 4 columns for this example
head(mydata)
dim(mydata) # data has 32 rows 4 columns


bigdata=data.frame(mpg=sample(mydata$mpg,1000,replace = T),
                   cyl=sample(mydata$cyl,1000,replace = T),
                   disp=sample(mydata$disp,1000,replace = T),
                   hp=sample(mydata$hp,1000,replace = T))


head(bigdata)
dim(bigdata)

Answer 2

我实际上做过类似的事情。我正在计算每个变量的实际最小值和最大值，所以我可以模拟来模仿我自己的原始数据集。与仅使用 sample 相比，使用 simstudy 有几个优点，主要是 sample 仅从可用的现有数据中获取，而 simstudy 生成最小值和最大值之间的任何潜在值（对于数字类型），或分类变量的比例。如果您的原始数据是敏感/个人数据，Simstudy 也很有用，因此与使用 sample 相比，您可以绕过隐私问题。这就是我所做的：

library(skimr)
library(simstudy)
library(dplyr)
library(glue)

sim_definitions <-
    skim_to_wide(iris) %>%
    mutate(min = as.numeric(p0), max = as.numeric(p100)) %>%
    transmute(
            varname = variable,
            dist = case_when(
                # For binary data if it is only 0 and 1
                n_unique == 2 ~ "binary",
                n_unique > 2 ~ "categorical",
                TRUE ~ "uniform"
            ),
            formula = case_when(
                dist == "uniform" ~ as.character(glue("{min};{max}")),
                # For only factors with 3 levels. number is proportion. 0.3 = 30%
                dist == "categorical" ~ "0.5;0.2;0.3",
                dist == "binary" ~ "0.2",
                # other wise 10 is min, 20 is max
                TRUE ~ "10;20"
            ),
            link = case_when(
                dist == "binary" ~ "logit",
                TRUE ~ "identity"
            )
        )

# 1000 is the final size of the dataset. Change to what ever you want.
simulated_data <- genData(1000, sim_definitions)
dim(simulated_data)
head(simulated_data)

注意：我发现 simstudy 有错误。不知道是不是因为更新。让我知道这是否适合您。 更新：似乎是分类规范导致了错误，但我找不到问题。

更新基于问题的澄清和 cmets：

您的代码在生成模拟数据集时运行良好。如果您想强制偏斜分布，您可以使用基本 R 的分布函数，例如qlnorm。所以：

library(simstudy)
#> Loading required package: data.table
def <- defData(varname = "Product_Class", formula = "0.25;0.35;0.4", dist = "categorical")
def <- defData(def, varname = "Category", formula = "0.25;0.35;0.4", dist = "categorical")
def <- defData(def, varname = "Amount", dist = "beta", formula = 0.6, variance = 0.12)
def <- defData(def, varname = "Amount2", dist = "beta", formula = 0.45, variance = 0.1)
def <- defData(def, varname = "Probability", dist = "beta", formula = 0.4, variance = 0.23)
simulated_data <- genData(1000, def)
hist(simulated_data$Amount2)

simulated_data$Amount2 <- qlnorm(simulated_data$Amount2)
hist(simulated_data$Amount2)

^{由reprex package (v0.2.1) 于 2019 年 3 月 24 日创建}