R函数/方法使用概率对数据帧进行采样，直到达到条件答案

【问题标题】：R function/method to sample data frame using probability until condition is reachedR函数/方法使用概率对数据帧进行采样，直到达到条件
【发布时间】：2020-01-05 15:44:25
【问题描述】：

我有一个包含 3 列的数据框：

ObjectID：多边形（或行）的唯一标识符 AvgWTRisk：森林中干扰的概率（0-1），~0.11是最大值 HA：森林中多边形的面积

我想开发一个函数来根据概率值从数据帧中创建一个随机样本。下面是数据结构的一个例子：

数据

      OBJECTID AvgWTRisk        HA
32697    32697 0.0008456 7.7465000
36480    36480 0.0050852 7.9329797
13805    13805 0.0173463 0.7154995
38796    38796 0.0026580 0.2882192
8494      8494 0.0089310 6.4686595
23609    23609 0.0090647 6.1246000

输入

structure(list(OBJECTID = c(32697L, 36480L, 13805L, 38796L, 8494L, 
23609L), AvgWTRisk = c(0.0008456, 0.0050852, 0.0173463, 0.002658, 
0.008931, 0.0090647), HA = c(7.7465, 7.9329797, 0.7154995, 0.2882192, 
6.4686595, 6.1246)), row.names = c(32697L, 36480L, 13805L, 38796L, 
8494L, 23609L), class = "data.frame")

我正在尝试使用 R 中的 sample() 函数来做到这一点。

有什么方法可以将面积的总和用作我的“size =”目标而不是行数，例如：

Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = sum(HA >= 100*0.95 && HA <= 100*1.05),
                                                 prob = WTProb, replace = FALSE),]

其中：WTProb 是 AvgWTRisk 的向量，即 'WTProb

上面的示例选择为我提供了一个包含所有列但没有行的数据框。

相对于：

Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = 10,
                                                 prob = WTProb, replace = FALSE),]

这适用于提供 10 行的样本。但是，我无法控制所选区域。

我是否应该尝试使用 while 循环来实现这一点，其中所有行的面积相加是标准，并且可以将一小部分行逐步添加在一起，直到达到目标？

提前谢谢你！

【问题讨论】：

根据您的描述，我不明白您要做什么。能否请您澄清一下您想在抽样过程中如何使用“概率值”（AvgWTRisk?）？
我正在尝试使用示例函数选择行，其中 AvgWTRisk 是“概率”的值。根据示例函数的要求，我不得不将“AvgWTRisk”转换为向量，因此使用了“WTProb”。但是，出于我的目的，示例函数的问题是无法通过大小标准（即简单的行数）以外的任何方式控制样本数。我尝试使用 sample 函数，但想通过“HA”列中选定样本的总和值来控制样本的大小，而不是行数。
我想要的最终输出是一个名为“Landscape_WTDisturbed”的新数据帧，例如，来自完整数据帧的采样行，总面积达到特定数量（5% 以内）。为清楚起见，AvgWTRisk 是自然干扰选择林分的风险，因此我需要将其用作概率。

标签： r random simulation stochastic

【解决方案1】：

我希望我明白你在问什么。以下代码将首先以这样一种方式创建数据的排列，即具有较高 AvgWTRisk 的行最终将更接近表的顶部。第二步，根据HA的总和在一定范围内选择表格中间的行。

set.seed(123)
WTProb <- Landscape_WTRisk$AvgWTRisk
Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = nrow(Landscape_WTRisk),
                                                 prob = WTProb, replace = FALSE),]
Landscape_WTDisturbed$HA.sum = cumsum(Landscape_WTDisturbed$HA)
HA.sum.min = 10
HA.sum.max = 25
Landscape_WTDisturbed = Landscape_WTDisturbed[
    Landscape_WTDisturbed$HA.sum >= HA.sum.min &
    Landscape_WTDisturbed$HA.sum <= HA.sum.max,]
Landscape_WTDisturbed
##       OBJECTID AvgWTRisk        HA   HA.sum
## 23609    23609 0.0090647 6.1246000 14.77308
## 38796    38796 0.0026580 0.2882192 15.06130
## 32697    32697 0.0008456 7.7465000 22.80780

【讨论】：

这对我来说是一个好的开始。然而，样本的大小会继承原始数据帧中的所有行。如果还选择所有行，使用概率的目的是什么？有什么方法可以使用，例如，while 循环一次只选择少量行并将它们绑定在一起，然后在 while 循环的每次迭代中设置子集？
当然，您可以选择较少的行数，但除非您担心数据集太大，否则不会有任何好处。在样本中使用概率的目的是您不会得到数据的随机排列。概率较高的行将趋向于数据框的顶部，而概率较低的行将趋向于底部。只要您只保留中间行，无论您是否计算底部行都不会改变您的结果。

【解决方案2】：

我已经尝试过：

WTProb <- Landscape_WTRisk$AvgWTRisk
Landscape_WTDisturbed <- Landscape_WTRisk[sample(1:nrow(Landscape_WTRisk),
                                                 size = 1000,
                                                 prob = WTProb, replace = FALSE),]
Landscape_WTDisturbed$HA.sum = cumsum(Landscape_WTDisturbed$HA)

Landscape_WTDisturbed <- Landscape_WTDisturbed[Landscape_WTDisturbed$HA.sum<=DisturbanceArea*1.05,]

使用 cumsum 值将 HA 列的值相加，然后选择所有加起来为总“目标”的行。我可以确认，这种方法是 BigFinger 推荐的一种衍生方法——谢谢，确实产生了适当的结果。见下文

1) 风险的全样本分布

summary(Landscape_WTRisk$AvgWTRisk)
     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
0.0000286 0.0013508 0.0030834 0.0061175 0.0072636 0.121604

2) 风险的样本分布

summary(Landscape_WTDisturbed$AvgWTRisk)
    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
0.002977 0.006563 0.010800 0.014997 0.015196 0.045924

如您所知，分布受到 1000 个原始样本概率的影响，采样行的 AvgWTRisk 远高于原始数据集中的分布。

如果目标的累积总和需要超过 1000 个样本，则此方法将不起作用。仍然不确定如何使其更加动态地工作，如果“DisturbanceArea”目标增长到超过 1000 个样本的能力，这种方法就会失败。

【讨论】：

这是您的解决方案吗？如果不是，请将此答案的文本添加到您的问题中并删除此答案。