根据 R 中的另一个分组从分组变量中选择样本

Question

我有以下 1,000 行的数据框； 10 个城市，每个城市有 100 行，我想在城市中按年份随机选择 10 个名称，并且选择的 10 个样本名称应该来自城市中至少一个年份，即城市 1 的 10 个名称不应该出现例如，仅从 1996 年开始。

       City Year   name   
1       1   1996   b
2       1   1996   c
3       1   1997   d
4       1   1997   e 
...
101     2   1996   f
102     2   1996   g
103     2   1997   h
104     2   1997   i

所需的最终样本数据

       City Year   name   
1       1   1996   b
2       1   1998   c
3       1   2001   d
...
11      2   1997   g
12      2   1999   h
13      2   2005   b
...
21      3   1998   a
22      3   2010   c
23      3   2005   d

样本数据

df1 <- data.frame(City = rep(1:10, each = 100), 
                  Year = rep(1996:2015, each = 5), 
                  name = rep(letters[1:25], 40))

我未能按年份随机选择所有 10 个城市的 10 个样本名称（不重复年份 - 除非一个城市的年份少于 10 个），我该如何检查？

最终样本应该有每个城市的 10 个名称，并且年份不应重复，除非该城市的名称少于 10 个。

谢谢。

Answer 1

第一组City 并使用sample_n 对子数据帧进行采样。
然后按City 和Year 分组，sample 来自name 每组一个元素。不要忘记设置 RNG 种子以使结果可重现。

library(dplyr)

set.seed(2020)

df1 %>%
  group_by(City) %>%
  sample_n(min(n(), 10)) %>%
  ungroup() %>%
  group_by(City, Year) %>%
  summarise(name = sample(name, 1))
#`summarise()` regrouping output by 'City' (override with `.groups` argument)
## A tibble: 4 x 3
## Groups:   City [2]
#   City  Year name 
#  <int> <int> <chr>
#1     1  1996 b    
#2     1  1997 e    
#3     2  1996 f    
#4     2  1997 h  

数据

df1 <- read.table(text = "
       City Year   name   
1       1   1996   b
2       1   1996   c
3       1   1997   d
4       1   1997   e 
101     2   1996   f
102     2   1996   g
103     2   1997   h
104     2   1997   i
", header = TRUE)

---

编辑

不要重新发明轮子，而是使用包sampling，函数strata获取数据集的索引，然后filter其对应的行。

library(dplyr)
library(sampling)

set.seed(2020)

df1 %>%
  mutate(row = row_number()) %>%
  filter(row %in% strata(df1, stratanames = c('City', 'Year'), size = rep(1, 1000), method = 'srswor')$ID_unit) %>%
  select(-row) %>%
  group_by(City) %>%
  sample_n(10) %>%
  arrange(City, Year)