在数据表中选择一个均匀分布的样本答案

【问题标题】：Pick a uniform distributed sample in a datatable在数据表中选择一个均匀分布的样本
【发布时间】：2018-05-11 12:48:27
【问题描述】：

假设我有一个如下所示的示例数据集：

df = data.table(id = 1:100,group=rep(c('a','b','c','d'),25))

我想从这组 x 个非重叠样本中获取 80 个观察值。重要的特征是每个样本的分布在每个组之间必须是均匀的。

例如：

x=20 will give a first sample of
1 a
5 b
15 c
28 d

这是一个非常方便的例子，但它也必须适用于不太方便的情况（例如当 x=7 时）。

我的第一次尝试是使用 split，像这样：

df_split = split(df, as.numeric(as.factor(df$id)) %% 7)

这就是我想要的，只是它不会从每个组中统一挑选！

【问题讨论】：

这四个观察结果如何构成“80 个观察结果......在 [20] 个独立样本中”的“第一个样本”？
每个 'id' 只能出现在 1 个样本中，因此每个样本都包含唯一的 ids
如果每个 id 只能出现在 1 个样本中，那么每个样本的结果都依赖于之前的样本，因此样本不是独立的。
您的描述似乎要求 7 个不重叠的样本，总共包含 80 个观察结果
你说得对，我从描述中删除了“独立”这个词。

标签： r data.table sample

【解决方案1】：

如果我理解正确，由于您正在寻找 7 组 80 个样本，您可能希望将其作为循环运行：

dt <- data.table(id = 1:100,group=rep(c('a','b','c','d'),25))

newmat <- data.frame(Index = 1:80)
for(i in 1:7){
  k <- NULL
  for(j in unique(dt$group)){
    dt.sub <- dt[group == j]
    samps <- sample_n(dt.sub, 20, replace = F)
    k <- c(k,samps$id)
  }
  newmat <- cbind(newmat, k)
}

colnames(newmat) <- c("Index", paste0("k",1:7))

【讨论】：

感谢您的回复，我在中间添加了一条使用随机组 ID 的行，因此它不会总是从第一组开始挑选。添加后，它可以满足我的要求！

【解决方案2】：

如果我理解正确，这可能就是您要查找的内容：

df = data.frame(id = 1:100,group=rep(c('a','b','c','d'),25))

repeat {
  mysample <- sample(df$id, size=4, replace=TRUE)  # takes sample
  test     <- (sum(duplicated(df[mysample, ]$group)) == 0)  # true if no duplicates

  if (test == 1)
    break
}

mysample
df[mysample, ]  # retrieves data

【讨论】：

感谢您的回复！不完全是我想要的；我需要整个集合（所以所有不重叠的样本），它需要自己找出样本必须有多大（基于 x；样本数）