R - 对人员周期文件进行采样和重新采样

Question

我正在处理一个巨大的人期文件，我认为 处理大型数据集的一个好方法是使用采样和重采样技术。

我的人期档案是这样的

   id code time
1   1    a    1
2   1    a    2
3   1    a    3
4   2    b    1
5   2    c    2
6   2    b    3
7   3    c    1
8   3    c    2
9   3    c    3
10  4    c    1
11  4    a    2
12  4    c    3
13  5    a    1
14  5    c    2
15  5    a    3

我实际上有两个截然不同的问题。

第一个问题是我在sampling 个人期间文件中遇到了麻烦。

例如，我想采样 2 个 id 序列，例如：

  id code time
   1    a    1
   1    a    2
   1    a    3
   2    b    1
   2    c    2
   2    b    3

以下代码行用于对人员周期文件进行采样

dt[which(dt$id %in% sample(dt$id, 2)), ] 

但是，我想使用dplyr 解决方案，因为我对重采样感兴趣，特别是我想使用replicate。

我有兴趣做replicate(100, sample_n(dt, 2), simplify = FALSE)之类的事情

我正在为dplyr 解决方案苦苦挣扎，因为我不确定grouping 变量应该是什么。

library(dplyr)
dt %>% group_by(id) %>% sample_n(1)

给我一​​个不正确的结果，因为它没有保留每个 id 的完整序列。

任何线索我可以如何采样和重新采样个人周期文件？

数据

dt = structure(list(id = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L, 
3L, 4L, 4L, 4L, 5L, 5L, 5L), .Label = c("1", "2", "3", "4", "5"
), class = "factor"), code = structure(c(1L, 1L, 1L, 2L, 3L, 
2L, 3L, 3L, 3L, 3L, 1L, 3L, 1L, 3L, 1L), .Label = c("a", "b", 
"c"), class = "factor"), time = structure(c(1L, 2L, 3L, 1L, 2L, 
3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), .Label = c("1", "2", 
"3"), class = "factor")), .Names = c("id", "code", "time"), row.names = c(NA, 
-15L), class = "data.frame")

Answer 1

我认为惯用的方式可能看起来像

set.seed(1)
samp = df %>% select(id) %>% distinct %>% sample_n(2)
left_join(samp, df)

  id code time
1  2    b    1
2  2    c    2
3  2    b    3
4  5    a    1
5  5    c    2
6  5    a    3

这直接扩展到更多的分组变量和更高级的抽样规则。

---

如果您需要多次执行此操作...

nrep = 100
ng   = 2
samps = df %>% select(id) %>% distinct %>% 
  slice(rep(1:n(), nrep)) %>% mutate(r = rep(1:nrep, each = n()/nrep)) %>%
  group_by(r) %>% sample_n(ng)
repdat = left_join(samps, df)

# then do stuff with it:
repdat %>% group_by(r) %>% do_stuff

Answer 2

我想您正在做一些模拟，并且可能想要多次进行子集化。您可能还想尝试这种data.table 方法并利用键列上的快速binary search feature：

library(data.table)
setDT(dt)
setkey(dt, id)
replicate(2, dt[list(sample(unique(id), 2))], simplify = F)

#[[1]]
#   id code time
#1:  3    c    1
#2:  3    c    2
#3:  3    c    3
#4:  5    a    1
#5:  5    c    2
#6:  5    a    3

#[[2]]
#   id code time
#1:  3    c    1
#2:  3    c    2
#3:  3    c    3
#4:  4    c    1
#5:  4    a    2
#6:  4    c    3

Answer 3

我们可以使用filter 和sample

dt %>%
    filter(id %in% sample(unique(id),2, replace = FALSE))

注意：使用 dplyr 方法指定的 OP 和此解决方案确实使用 dplyr。

---

如果我们需要使用replicate，一种选择是使用map from purrr

library(purrr)
dt %>% 
    distinct(id) %>% 
    replicate(2, .) %>%
    map(~sample(., 2, replace=FALSE)) %>%
    map(~filter(dt, id %in% .))
#$id
#  id code time
#1  1    a    1
#2  1    a    2
#3  1    a    3
#4  4    c    1
#5  4    a    2
#6  4    c    3

#$id
#  id code time
#1  4    c    1
#2  4    a    2
#3  4    c    3
#4  5    a    1
#5  5    c    2
#6  5    a    3