从数据框中按类别选择随机行？答案

【问题标题】：Selecting random rows by category from a data frame?从数据框中按类别选择随机行？
【发布时间】：2013-01-19 01:34:56
【问题描述】：

我有一个数据框如下：

Category Name Value

我将如何选择每个类别 5 个随机名称？使用 sample 返回随机行，使用所有行作为可能的候选。但是，我想指定每个类别的随机行数。有什么建议吗？

更新：我愿意使用ddply

【问题讨论】：

标签： r dataframe

【解决方案1】：

没有测试用例的最佳猜测：

  do.call( rbind, lapply( split(dfrm, df$cat) ,
                         function(df) df[sample(nrow(df), 5) , ] )
          )

用乔纳森的数据测试：

> do.call( rbind, lapply( split(df, df$Category) ,
+                          function(df) df[sample(nrow(df), 5) , ] )
+           )

      Category Name      Value   
1.8          1    8 -0.2496109   #  useful side-effect of labeling source group
1.15         1   15 -0.4037368
1.17         1   17 -0.4223724
1.12         1   12 -0.9359026
1.18         1   18  0.3741184
2.37         2   37  0.3033610
2.34         2   34 -0.4517738
2.36         2   36 -0.7695923
snipped remainder

【讨论】：

该代码假定每个类别至少有 5 行，如果不是这样，则会出错。根据您的规格，您可能希望保持原样，将replace = TRUE 添加到sample 调用中，或将5 替换为min(5, nrow(df))。
是的，它会的。只是向公众公开他们的要求。你的建议是一个明确的改进。
@DWin +1，但是by = lapply + split，不是吗？
看by.data.frame的代码，有点不一样。使用tapply，但如果您查看tapply 的代码，就会发现lapply(split(.,.)) 被调用。您仍然需要rbind 来完成包装，所以我不确定使用by 是否有优势。我发现我说明的方法更容易理解。

【解决方案2】：

如果您希望每个类别的商品数量相同，这很简单：

df[unlist(tapply(1:nrow(df),df$Category,function(x) sample(x,3))),]

例如，我生成df如下：

df <- data.frame(Category=rep(1:5,each=20),Name=1:100,Value=rnorm(100))

然后我从我的代码中得到以下信息：

> df[unlist(tapply(1:nrow(df),df$Category,function(x) sample(x,3))),]
    Category Name       Value
5          1    5  0.25151044
20         1   20  1.52486482
18         1   18  0.69313462
30         2   30  0.73444185
27         2   27  0.24000427
39         2   39 -0.10108203
46         3   46 -0.37200574
49         3   49 -1.84920469
43         3   43  0.35976388
68         4   68  0.57879516
76         4   76 -0.11049302
64         4   64 -0.13471303
100        5  100  0.95979408
95         5   95 -0.01928741
99         5   99  0.85725242

如果您希望每个类别的行数不同，那将更加复杂。

【讨论】：

我认为这将取决于具有默认行名的 df 对象。
@DWin 为什么要依赖行名？我的代码中的任何地方都没有引用行名。
我错了。用df <- data.frame(Category=rep(1:5,each=20),Name=1:100,Value=rnorm(100), row.names=101:200) 测试。正在考虑它需要与行名进行字符匹配。
对于某个类别中只有一个实例的情况，我们应该像这样替换上面的代码！ df[unlist(tapply(1:nrow(df),df$Category,function(x) {if (length(x)>1) {sample(x,min(length(x),3))}else {x}})),]

【解决方案3】：

过去，我为"sampling" package 中的一些函数编写了一个小包装器。

函数如下：

strata.sampling <- function(data, group, size, method = NULL) {
  #  USE: 
  #   * Specify a data.frame and grouping variable.
  #   * Decide on your sample size. For a sample proportional to the 
  #     population, enter "size" as a decimal. For an equal number of 
  #     samples from each group, enter "size" as a whole number. For
  #     a specific number of samples from each group, enter the numbers
  #     required as a vector.

  require(sampling)
  if (is.null(method)) method <- "srswor"
  if (!method %in% c("srswor", "srswr")) 
    stop('method must be "srswor" or "srswr"')
  temp <- data[order(data[[group]]), ]
  ifelse(length(size) > 1,
         size <- size, 
         ifelse(size < 1,
                size <- round(table(temp[group]) * size),
                size <- rep(size, times=length(table(temp[group])))))
  strat = strata(temp, stratanames = names(temp[group]), 
                 size = size, method = method)
  getdata(temp, strat)
}

你可以这样使用它：

# Sample data --- Note each category has a different number of observations
df <- data.frame(Category = rep(1:5, times = c(40, 15, 7, 13, 25)), 
                 Name = 1:100, Value = rnorm(100))

# Sample 5 from each "Category" group
strata.sampling(df, "Category", 5)
# Sample 2 from the first category, 3 from the next, and so on
strata.sampling(df, "Category", c(2, 3, 4, 5, 2))
# Sample 15% from each group
strata.sampling(df, "Category", .15)

还有一个我写的增强功能here。该函数可以优雅地处理一组观察值可能少于指定样本数的情况，并且还允许您按多个变量进行分层。几个例子见the docs。

【讨论】：