在 R 中生成具有随机选择特征的数据集列表

Question

我有一个包含 20 个特征的数据集。我希望创建一个数据集列表，其中包含来自原始数据集的随机特征子集。 例如 - [dataset[, c(1,3,4)], dataset[, c(2,3,5,11,20)]]。

我正在尝试以下代码

selectors = array(runif(2000), dim=c(100, 20, 1))
list_datasets = vector("list", 100)
i = 1
while(i < 100)
  list_datasets[[i]] = dataset[, selectors[i,,1] > 0.5]
  i = i + 1

在这里，我的dataset 有 20 个特征，我需要这 20 个特征中的 100 个具有随机特征的数据集。因此，我创建了selectors 数组，最初创建一个大小为 2000 且具有随机值的向量，然后将其设为 100*20。在while 循环中，我尝试向list_datasets[[i]] 添加一个功能，前提是为其生成的随机值大于 0.5 。希望我能够解释自己

但这很慢。我是 R 新手，想知道实现我想要做的事情的最佳方式。

Answer 1

我不确定我是否理解您的设置，如果我遗漏了什么，请纠正我。我的理解是你有一个数据集（我创建了一个大小为 100 行 x 20 个特征的假数据集），并且想要使用随机的特征子集创建 100 个新数据集。您通过生成随机统一值并检查每个值是否 > 0.5 来生成随机特征子集。

我在这里有两种选择，一种使用lapply，另一种使用for 循环。

apply 函数通常比循环快（而且我认为你想在这里使用for 循环，而不是while 循环）。

其他变化：

1) 使用@Krash 建议的布尔掩码，因为您可以在循环外检查每个值是否大于 0.5，因为它是否不取决于i。

2) selectors 可以是二维的

set.seed(123)

# Original dataset: assume it's 100 x 20 features
dataset <- array(rnorm(2000), dim = c(100, 20))

## Original (Option 0: while loop)

system.time({
  # Select features: 100 x 20 x 1 (one row per dataset)
  selectors = array(runif(2000), dim = c(100, 20, 1));

  # Initialize list
  list_datasets = vector("list", 100);

  # Fill in list
  i = 1;
  while(i < 100) {
    list_datasets[[i]] = dataset[, selectors[i,,1] > 0.5];
    i = i + 1 # This causes an off-by-one error, as list_datasets[[100]] is never filled in
  }
})
##   user  system elapsed 
##  0.006   0.000   0.006 

# Option 1: for loop
system.time({
  # Select: boolean mask: 100 x 20 (need one row to create each dataset)
  selectors = array(runif(2000), dim = c(100, 20));
  selectors = selectors < 0.5

  # Initialize list
  list_datasets = vector("list", 100);

  # Fill in list
  for (i in 1:100) {
    list_datasets[[i]] = dataset[ , selectors[i, ]] 
  }
})

##   user  system elapsed 
##  0.004   0.000   0.005

# Option 2: lapply
system.time({
  # Select: boolean mask: 100 x 20 (need one row to create each dataset)
  selectors = array(runif(2000), dim = c(100, 20));
  selectors = selectors < 0.5

  # Fill in list
  list_datasets <- lapply(1:100, FUN = function(x) dataset[ , selectors[x, ]])
})
##   user  system elapsed 
##  0.003   0.000   0.003

显然，每次运行语句所花费的时间都会有所不同，但希望其中一些建议的更改会提高速度。

就像检查代码是否符合我的要求：

# Check number of cols per dataset
list_datasets %>% 
  purrr::map_int(~ncol(.))

##  [1]  8  7  9 12 11 13 11 10 10 14 14  7  8 10 10  9 14 10  6 11 13  8  7  8 10 12  9 11  9  9 13
## [32] 12  8 14 11 11  8 10 11  8 10 13 12 10  6 10 10 12  9  9 10 11  7  8 11  9 11  9  7  9  9 11
## [63] 14  9  9  9  9 13 13 14 12  9 10  9 12  8 11 14  9  7 12  7  6 11 11  7  9  8 12 10 12  9 11
## [94] 13 12 16  9  8 11 10

其他想法：您可以在循环中添加这样的一行（或lapplyFUN），而不是通过随机制服创建selectors 数组，每行对应一个新数据集。

include_feature <- sample(0:1, size = 20, replace = TRUE)
include_feature
## [1] 0 0 1 0 0 0 1 1 1 0 1 1 1 0 1 0 0 0 0 1