没有重复 ID 的分层随机抽样

Question

我有一个数据集，其中每个id 有多个样本，可以分层为group 变量。我想做随机抽样，按group 分层，但不重复id（即每个id 在输出中只出现一次）。

我尝试修改一些现有的解决方案，但是，所有解决方案似乎都对数据进行了采样，并在各个组中包含来自单个 id 的多个样本：

• random sampling - matrix
• Stratified random sampling from data frame
• Stratified random sampling in R
• Stratified random sampling from data frame

我尝试了以下方法，认为 replace = FALSE 可能有助于确保每个 id 中只使用 1 个样本，但这仍然不能满足我的要求。

set.seed(1)
# Data 
data <- data.frame(
  id = c("A", "C", "B", "D", "E", "F", "A", "A", "B", "B", "B", "D", "D", "E", "E", "F"),
  group = c("1", "1", "2", "2", "3", "3", "2", "1", "1", "2", "3", "2", "3", "2", "1", "3"),
  length = c("54", "52", "43", "42", "60", "46", "59", "60", "51", "45", "47", "58", "48", "46", "56", "57"))

# Stratified random sampling by group 
sample <- data %>%
  distinct %>%
  group_by(group) %>%
  sample_n(2, replace = FALSE) %>%
  left_join(data)

sample 输出：

id group length
A   1   60      
C   1   52      
D   2   42      
A   2   59      
B   3   47      
E   3   60      

但是，如上所示，id= A 在 group 1 和 2 中重复出现。我想要的理想输出应该是这样的，其中每个id 只出现一次，并且样本按group 分层：

id group length
A   1   54      
C   1   52      
B   2   43      
D   2   42      
E   3   60      
F   3   46

有没有办法自定义现有的解决方案，以便在对每个group 进行采样时，如果一个id 已经用于另一个group，它将被排除在外，而不是为另一个group 采样？我知道我可以将%>% distinct(id) 添加到我的代码中，但我相信这将不再是随机的，因为distinct() 只是为id 选择了第一行。感谢您的帮助！

Answer 1

我有一个候选解决方案，使用 for-loops。当然，该解决方案有点尴尬，并且有一些与您提供的数据相关的警告。但是，该脚本按预期工作。

# Split by group; this provides
# a list with each group.
data_list <- data %>% split(
        f = .$group
)

# shuffle the list to introduce
# randomness
shuffle <- sample(length(data_list))

data_list <- data_list[shuffle]

# Sample from the first indice
# which serves as a baseline for remaining
# samples
sampled_data <- data_list[[1]] %>%
        distinct(id, .keep_all = TRUE) %>%
        sample_n(2)


for (i in 2:length(data_list)) {
        
        # Proceed to next group
        new_data <- data_list[[i]]
        
        
        indicator <- new_data$id %in% sampled_data$id
        
        sampled_data <- bind_rows(
                sampled_data,
                new_data[!indicator,] %>% distinct(id, .keep_all = TRUE) %>% group_by(group) %>% sample_n(2)
        )
        
        
        
}

如果初始 sampled_data 存在特定的 ids，则此算法与您提供的 data 一起工作，否则，唯一 ID 的可用性将耗尽。

该算法首先使用split 将您的数据拆分为各个组，然后打乱list 的顺序以在您的distinct 函数中引入随机性。

初始抽样

我们首先从第一组中获取sample，然后将其作为其余组的基线。

首先从基线样本中存在的下一个索引中删除所有id。然后采样并将其绑定到列表，并创建一个data.frame。

下一个示例

新的data.frame 现在由id 中不同的前两个组组成，并从data.frame 中存在的剩余索引中删除id。

最终产品如下；

id group length
1  B     1     51
2  C     1     52
3  D     2     42
4  A     2     59
5  E     3     60
6  F     3     46

如果您提供的数据代表您的实际数据，那么该算法显然需要进行一些改进，因为根据seed，唯一值的可用性会随着您的初始id 而耗尽。

我没有提供seed，因为我找不到合适的。

Answer 2

这是我最后使用的解决方案。

# Randomise rows
set.seed(x) # play around and set seed accordingly
data_rows <- sample(nrow(data))
data2 <- data[data_rows, ]

# Stratified random sampling 
set.seed(x) # play around and set seed accordingly
randomised <- data2 %>%
              distinct(id, .keep_all = TRUE) %>%
              group_by(group) %>% 
              sample_n(2, replace = FALSE) %>%
              ungroup()