如何在 R 中使用 lapply 对包含多个数据帧的列表进行采样？

Question

我有我通过在数据帧上使用拆分创建的数据列表：

dat_discharge = split(dat2,dat2$discharge_id)

我正在尝试通过抽样从这个数据列表中创建一个训练和测试集，以便考虑在数据中根本不均匀分布的出院 id 组。

我正在尝试使用 lapply 来执行此操作，因为我不想单独对列表中的每个组进行采样。

trainlist<-lapply(dat_discharge,function(x) sample(nrow(x),0.75*nrow(x))) 

trainL =  dat_discharge[(dat_discharge %in% trainlist)]
testL = dat_discharge[!(dat_discharge %in% trainlist)]

我尝试模拟这篇文章 (R removing items in a sublist from a list) 以创建测试和训练子集，但是训练列表完全为空，我认为这意味着对于数据帧列表来说这不是正确的方法？

如果不选择列表中的单个数据帧（如 data_frame[[1]]），我希望做的事情是否可行？

Answer 1

您可以使用 map_dfr 而不是来自 purrr 库的 lapply（在执行下一步之前，请务必考虑到您需要 install.package("purr") 和 library(purrr)。但也许您已经安装了它，因为它是一个通用软件包。

然后你可以使用下一个代码

dat2$rowid<-1:nrow(dat2)
dat_discharge  <- split(dat2,dat2$id)
trainList<- dat_discharge %>% map_dfr(.f=function(x){
  sampling <- sample(1:nrow(x),round(0.75*nrow(x),0))
  result <- x[sampling,]
})
testL<-dat2[!(dat2$rowid %in% trainList$rowid),]

解释上面的代码。首先，我向 dat2 添加了一个唯一的 rowid，这样我就知道我在采样哪些行，哪些不采样。这将在最后一行代码中用于区分 Test 和 Train 数据集，例如 Train dataset 没有 test 所具有的任何 rowid。

然后我像你一样进行拆分以创建 dat_discharge

然后对 dat_discharge 列表中的每个数据帧，我应用 map_dfr 中的函数。 map_dfr 功能与 lapply 相同，只是它将输出“连接”在单个数据帧中，而不是像 lapply 那样将每个输出放入列表中。前提是 map_dfr 的每次迭代的输出是与第一次迭代具有相同列的数据帧。把它想象成“好的，我得到了这个数据帧，我要把它的行绑定到前一个数据帧结果”。所以结果只是一个大数据框。

在该函数中，您会注意到我正在做的示例有点不同。我取了迭代数据帧所具有的行数序列的 75%，然后，使用该采样序列，我使用 x[sampling,] 对迭代数据帧进行子集化，并为该迭代生成我的采样数据帧（这是其中一个dat_discharge 列表中的数据帧）。并且，map_dfr 会自动将每个结果的采样数据帧连接到一个单独的大数据帧中，而不是像 lapply 那样将它们放在一个列表中。

所以最后，我只是将测试创建为 dat2 中不存在于测试集中的所有 rowid。

希望这个服务器你好:)

请注意，如果您想为每个 id 抽取 75% 的观察值，那么每个 id 应该至少有 4 个观察值才能有意义。想象一下，如果您在特定 id 中只有 1 个观察值，哎呀！这段代码仍然可以工作（它只会选择那个观察值），但是当你构建你的统计模型时，你真的需要考虑这个含义