带约束的分层抽样

Question

我是 R 的新手，所以请耐心等待。

所以我试图以这样一种方式执行分层抽样，它将使用 2 列分层，但两列都满足特定值。

这是我的代码：

library(splitstackshape)
set.seed(1)
dat1 <- data.frame(ID = 1:100,
                   A = sample(c("AA", "BB", "CC", "DD", "EE"), 100, replace = TRUE),
                   B = sample(c(30,40,50),100,replace = TRUE), C = sample(c(1:10),100,replace = TRUE),
                   D = sample(c("CA", "NY", "TX"), 100, replace = TRUE),
                   E = sample(c("M", "F"), 100, replace = TRUE))

stratified(dat1, c("B", "C"), 0.1, select = list(B = 30, C = c(8:10)))

据我了解，此函数首先生成大小为 10% 的层，然后从中选择满足条件 B=30 和 c 在 8 到 10 之间的那些记录。

因此，阶层的规模从最初的 10% 减少。

我的问题是，有没有什么方法可以生成一个分层，该分层由其中 B 列的值为 30 而列 C 的值在 8 到 10 之间的记录组成 与nrow()结果样本是原始数据帧的 10%？

我正在使用来自“splitstackshape”的stratified()。如果stratified() 无法处理，是否还有其他软件包可以执行此类操作？

Answer 1

更新

从原始答案中的示例数据继续，我将使用两步过程：

1. 创建一个包含您感兴趣的关卡的子集。

   sub1 <- as.data.table(dat1)[B == 30 & C %in% 8:10][order(C)]
   

2. 找出您需要抽样的百分比。在这里，我将最终行数设置为 500，因为在获取子集时样本数据没有 1000 行。要获得所需的百分比，它就像所需的行数除以子集中的总行数一样简单......

   rows_wanted <- 500
   set.seed(2)
   out <- stratified(sub1, "C", rows_wanted/nrow(sub1))
   
   ## Check how many rows we have per group
   out[, .N, .(B, C)]
   #     B  C   N
   # 1: 30  8 157
   # 2: 30  9 169
   # 3: 30 10 174
   

原答案

stratified 函数首先过滤数据，然后进行采样。考虑以下几点：

library(splitstackshape)
set.seed(1)
n <- 10000
dat1 <- data.frame(ID = sequence(n),
                   A = sample(c("AA", "BB", "CC", "DD", "EE"), n, replace = TRUE),
                   B = sample(c(30,40,50),n,replace = TRUE), 
                   C = sample(c(1:10),n,replace = TRUE),
                   D = sample(c("CA", "NY", "TX"), n, replace = TRUE),
                   E = sample(c("M", "F"), n, replace = TRUE))

样品，如您所见。

mySample <- stratified(dat1, c("B", "C"), 0.1, select = list(B = 30, C = 8:10))
nrow(mySample)
# [1] 98

将其与输出中预期的行数进行比较：

as.data.table(dat1)[, .N, .(B, C)][B == 30 & C %in% 8:10, list(N = round(N * .1)), .(B, C)][order(C)]
#     B  C  N
# 1: 30  8 31
# 2: 30  9 33
# 3: 30 10 34

并将上面的内容与您从 stratified 函数中获得的内容进行比较。

mySample[, .N, .(B, C)]
#     B  C  N
# 1: 30  8 31
# 2: 30  9 33
# 3: 30 10 34

Answer 2

根据您的数据，这似乎是不可能的，至少如果您在没有替换的情况下进行抽样。

idx <- which((dat1$B == 30) & (dat1$C %in% 8:10))
idx <- sample(idx, 0.1*nrow(dat1))

sample.int(length(x), size, replace, prob) 中的错误：
'replace = FALSE' 时不能抽取大于总体的样本

问题在于验证这两个条件的行数不到您数据的 10%。向量idx 的长度只有 5。

idx
#[1] 15 18 43 60 93

dat1[idx, ]
#   ID  A  B  C  D E
#15 15 DD 30  9 CA F
#18 18 EE 30 10 NY M
#43 43 DD 30 10 NY F
#60 60 CC 30 10 NY M
#93 93 DD 30 10 TX M