如何使用 R 创建独特的样本（每个元素仅出现在一个样本中）？答案

【问题标题】：How to create unique samples (every element appears in one sample only) using R?如何使用 R 创建独特的样本（每个元素仅出现在一个样本中）？
【发布时间】：2020-03-05 20:50:54
【问题描述】：

我正在使用 BTYD 模型来生成对客户未来交易的预测。不幸的是，由于使用 mcmc 方法，我无法对整个客户群（数十万）进行预测，因此我必须将基础拆分为许多随机样本，并在每个样本上执行该模型的多次运行以检索预测。

我的想法是使用循环来执行以下操作：

从整个库中检索长度为 10,000 的随机样本（我们将此数据帧称为“数据”）
将结果存储在名为“sample1”的对象中
现在我们必须回到“data”，排除“sample1”中的客户，并将新结果存储在“data”中。
从新的“数据”中获取一个新的随机样本（“sample2”）
创建一个新版本的“data”，不包括“sample2”（和“sample1”）中包含的所有客户。
...继续这个循环，直到我们完成碱基并创建了包含整个碱基的 N 个样本。

（每个 ID 只能在一个样本中）。

不幸的是，我的代码似乎并没有按照我想要的方式工作（目前我不太擅长循环。


getwd()

data<-read.csv("MOCK_DATA (1).csv") 
# this is a fake dataset of 1000 rows that contains only 2 columns: 
# customer ID (column name: "id") and a random number (column name "value").
# Every customer ID appears only once in the dataset.

head(data)

set.sample.size<-100
num.cycles<-ceiling(nrow(data)/set.sample.size)

for(i in 1:(num.cycles)) {
 nam <- paste("sample_", i, sep = "")
 assign(nam, data[sample(nrow(data), set.sample.size), ])
 data<-data[!(data$id %in% nam$id),]
}

此代码生成以下错误： nam$id 错误：$ 运算符对原子向量无效

我期望得到 10 个名为“sample_1”..“sample_10”的对象，每个对象由原始数据中的 100 个随机 id 组成，但都是唯一的（10 个样本之间没有共享 ID）。

【问题讨论】：

我们应该如何加载read.csv("MOCK_DATA (1).csv") ？请在 Stack Overflow 上提问reproducible。

标签： r loops for-loop random sample

【解决方案1】：

考虑按 ID 对整个数据进行随机重新排序，然后按相等长度的行进行拆分。最终结果将是一个包含许多数据帧的命名列表，而不是充斥全球环境的许多单独对象。

set.seed(11092019)

# RE-ORDER DATA FRAME (SAME LENGTH)
data <- with(data, data[order(sample(id, nrow(data))),])

# BUILD A LIST OF DFs 
set.sample.size <- 100
data$cycles_group <- paste0("sample_", ceiling(1:nrow(data)/set.sample.size))

df_list <- split(data, data$cycles_group)

# RETRIEVE INDIVIDUAL DF BY NAME
df_list$sample_1#
df_list$sample_2#
df_list$sample_3#
...

或者，使用by，您可以拆分样本并通过任何 BTYD 模型流程运行每个子集（类似于 split + lapply）：

results_list <- by(data, data$cycles_group, function(sub_df) {
   # ... do something with sub_df ...
})

【讨论】：

很清楚。的确，使用列表有助于使全球环境更加整洁。我收到的两个答案都解决了这个问题。非常感谢您的帮助。

【解决方案2】：

这是一个使用 iris 数据集的可重现示例

set.sample.size<-10

num.cycles<-ceiling(nrow(iris)/set.sample.size)


iris$id <- 1:150 


for(i in 1:(num.cycles)) {
  nam <- paste("sample_", i, sep = "")
  assign(nam, iris[sample(nrow(iris), set.sample.size), ])
  iris<-iris[!(iris$id %in% get(nam)$id),]
}

您的代码中唯一的问题是 nam$id 没有意义，因为 nam 只是一个字符串（数据框的名称，而不是数据框本身）

【讨论】：

get() 正是我的代码所缺少的。 Parfait 给出了一个非常有趣的替代方案，它使用一个列表而不是一系列不同的对象。非常感谢您的帮助。

【解决方案3】：

这是一种使用 mtcars 作为数据集而不使用显式循环来获取样本列表的紧凑方法，样本大小 = 8：

n <- nrow(mtcars)
s <- sample(1:n, replace=FALSE)
sampsize <- 8
nsamps <- n / sampsize
m <- matrix(s, nrow = sampsize)
samps <- lapply(1:nsamps, function(x) mtcars[m[, x], ] )

使用向量 s 隐式随机选择行。矩阵 m 包含随机行号的向量。

【讨论】：