根据两列中的所有组随机屏蔽行

Question

我有一个包含大约 167k 行的大型数据集。我想抽取 2000 行的样本，同时确保我从数据中两列 (id & quality) 的所有组中获取行。 这是数据的快照

df <- data.frame(id=c(1,2,3,4,5,1,2),
                 quality=c("a","b","c","d","z","g","t"))

df %>% glimpse()
Rows: 7
Columns: 2
$ id      <dbl> 1, 2, 3, 4, 5, 1, 2
$ quality <chr> "a", "b", "c", "d", "z", "g", "t"

因此，我需要确保采样数据包含来自这两个组列的所有组合的行。 希望有人能帮忙。

谢谢！

Answer 1

我想这就是你要找的。​​p>

my_df <- data.frame(id = c(1, 2, 3, 4, 5, 1, 2, 2, 2),
                    quality = c("a", "b", "c", "d", "z", "g", "t", "t", "t"))

my_df <- my_df %>% group_by(id, quality) %>% mutate(Unique = cur_group_id())
my_df$Test <- seq.int(from = 1, to = nrow(my_df), by = 1)

my_a <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_b <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_c <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_d <- my_df %>% group_by(Unique) %>% sample_n(., 1)
my_e <- my_df %>% group_by(Unique) %>% sample_n(., 1)

您不需要那么多数据框，这些只是示例，以表明对于每个唯一组，将随机提取 1 行。根据数据样本，在名为“Test”的列中可以看到差异，尤其是对于 id = 2 和 quality = t。

Answer 2

如果您想确保每个 id 和 quality 在您的新样本中都有表示，您需要通过这些变量为您提供 group 数据。

您正在寻找的是以下内容，

df %>% 
        group_by(id,quality) %>% 
        sample_n(1, replace = TRUE)

您可以更改样本大小 pr group 和 id，并根据需要设置 replacement。

它给出以下输出，

# Groups:   id, quality [7]
     id quality
  <dbl> <chr>  
1     1 a      
2     1 g      
3     2 b      
4     2 t      
5     3 c      
6     4 d      
7     5 z 

您提供的数据具有唯一的组，因此按照您想要的方式进行采样，提供的行数与您的数据相同。

---

编辑： sample_n 被 slice_sample 取代，我不知道这一点。但是您可以通过以下方式轻松更改script，

df %>% 
        group_by(id,quality) %>% 
        slice_sample(
                n = 1
        )

您还可以通过设置prop 而不是n 来采样data.frame 的proportion，

df %>% 
        group_by(id,quality) %>% 
        slice_sample(
                prop = 0.25
        )