用于在 data.frame 中的重复值之间进行采样的函数

Question

所以，我有一个名为“DATA”的 data.frame 对象。 该对象包含一个名为“Point”(DATA$Point) 的列。由于此特定列上有一些重复项，我想构建一个函数，在 DATA 中的这些重复项中仅对一行进行采样。

我一直在尝试这样做：

sort.song<-function(DATA){

 Point<-levels(DATA$Point)
 DATA.NEW<-DATA[1:length(Point),] 

#Ideally DATA.NEW should have an empty dataframe with nrow=length(Point) and the same columns
#as in DATA. But I THINK it will work (I don't know how to do the "ideally" way)

 for(i in 1:dim(DATA)[1]){ #dim(DATA)[1] always bigger than length(Point)
  SUBDATA<-DATA[which(DATA$Point%in%Point[i]),]

#I need to sample one row of the original data set only of the duplicates of the same value.
#So if there isn't a duplicate of one particular value, move on. Otherwise sample one between
#those duplicates.

  l<-dim(SUBDATA)[1]
  if (l==1){DATA.NEW[i,]<-SUBDATA[l,]}else{lc<-sample(1:l,1)}
  DATA.NEW[i,]<-SUBDATA[lc,]
  }
 return(DATA.NEW)
}

test<-sort.song(DATA)

但它不起作用！ :( 我收到以下错误消息：

Error in `[<-.factor`(`*tmp*`, iseq, value = integer(0)) : 
replacement has length zero

这可能是一个愚蠢的问题，但我在这里没有选择（完全 R 初学者）

任何帮助将不胜感激！！！！

Answer 1

如果你想选择一个随机的副本来保留，而不是duplicateds 默认行为只保留第一个，那么为什么不随机打乱整个数据集，这样在打乱的集合中选择第一个实际上是随机的原始行：

DATAr <- DATA[sample(1:nrow(DATA),]
DATAr <- DATAr[!duplicated(DATAr$Point),]

如果您的原始 DATA 的顺序很重要，请将 sample(...) 存储在一个变量中，使用该变量重新排序您的数据，并在删除重复项后应用逆序（或添加列 DATA$ind <- 1:nrow(DATA) 和对您的数据进行排序以在之后恢复。

Answer 2

R 具有内置函数sample 和duplicated。因此，您可以简单地使用

DATA[ sample( !duplicated(DATA$Point), N ), ]
# where `N` is the sample size you'd like. 

在 data.table 语法中，上面是

DATA[ sample( !duplicated(Point), N )]

Answer 3

所以你想要每一行不重复的行和那些重复的第一个实例对吗？

然后试试这个：

# build fake dataset
DATA <- as.data.frame(cbind(sample(c(1:10,3:7)),sample(1:15),sample(1:15)))
names(DATA) <- c("Point","some_col","some_other_col")

# check
print(DATA) # See Point has duplicate values


# your function
filter_data <- function(DATA){
distinct_points <- unique(DATA$Point)
as.data.frame(t(sapply(distinct_points, function(x){subset(DATA,Point == x)[1,]})))
}


#result
DATA.new <- filter_data(DATA)
print(DATA.new)