如何从每个因素的 data.table 行中获取随机子样本？

Question

我正在尝试创建一个大数据集的子样本，其中每个因子都有不同的 n。我希望能够非常快地做到这一点，因为我正在这样做数十万次。你能帮我使用 data.tables 优化这个过程吗？

我现在要做的是在 data.table 中添加一个“行号”rn，使用各种 n 对其进行采样，然后根据它进行子集。我认为一定有更聪明的方法可以做到这一点，但我似乎无法弄清楚。

# generate data.table
DT <- data.table(rn = 1:100, factor = letters[1:3],
  value = rnorm(100, c(1, 5, 10)))

# subset based on "row number" with various numbers per category
subsetrn <- DT[, .(rn = sample(rn,
  if (factor == "a") 12
  else if (factor == "b") 20
  else if (factor == "c") 5
  else NULL, replace = TRUE)),
  by = factor]

# subset
ss <- DT[rn %in% subsetrn[, rn]]

编辑：我见过这种从 data.table 中快速采样的方法，但它不是按因素来做的：https://stackoverflow.com/a/33201094/5252333 我还看到了如何对等量的每个因素执行此操作的技巧，但不是针对不同数量的每个因素。

EDIT2：我一直在使用@akron 的解决方案，但仍然遇到问题：

如果我有一个为 0 的因子，则说明有问题：

# generate data.table
DT <- data.table(factor = letters[1:4],
  value = rnorm(300, c(1, 5, 10)))

# subset based on "row number" with various numbers per category subsetrn

# index data table with numbers
id <- data.table(factor = letters[1:4], val = c(12, 20, 5, 0))
# map our DT onto it, then subsample by the new val
ssid <- DT[id, on = .(factor)][, sample(.I, val[1], replace = TRUE), factor]
# subset
ss <- DT[ssid[, V1]]
count(ss[, factor])
##   x freq
## 1 a   10
## 2 b   12
## 3 c    5
## 4 d   10

# this is wrong! It only works if I do it like this
ss <- DT[id, on = .(factor)][ssid[, V1]]

我希望能够获得 ssid，这样我就可以DT[ssid[, V1]]（或DT[ssid]），这样我就可以通过引用来做所有事情，而不是制作 DT 的本地副本。在我的应用程序中，这一切都包含在一个函数中，该函数当前复制 DT 的一小部分 50k 次，大约需要 25 分钟。该函数对子集执行一些计算，然后返回输出。这很慢，我想知道是否可以通过某种方式通过引用来做到这一点。

这个问题现在可能变得有点太具体了;-)。

Answer 1

我们可以加入一个键/值数据集并使用.I 到sample

DT[DT[data.table(factor = letters[1:3], val = c(12, 20, 5)), 
      on = .(factor)][, sample(.I, val[1], replace = TRUE), factor]$V1]

---

如果我们把它分成几部分-

data.table(factor = letters[1:3], val = c(12, 20, 5))

是一个键/值data.table，通过加入on“因子”来获取“val”作为原始数据集上的列。

第二步，我们进行连接

DT[data.table(factor = letters[1:3], val = c(12, 20, 5)), 
      on = .(factor)]

现在，我们 sample 按“因子”分组的行索引，指定 size 作为“val”的第一个元素，提取行索引列 $V1 并使用它来对原始数据集进行子集化。即

DT[....$V1]