代码之家 › 专栏 › 技术社区 › C.Den

显示来自主数据帧的随机样本,无需子集设置

sample subset dataframe r

C.Den · 技术社区 · 8 年前

我的最终数据集大约是每40列15万行,涵盖了1932年至2016年的所有潜在样本,我每年需要随机选择53个样本,总数约为5000个。

选择本身非常简单,使用sample()函数来获取子集,但是我需要在原始数据帧中显示选择,以便能够检查各种内容。我的问题如下:

如果我编辑随机子集中的一个字段并将其与主字段合并,则会创建无法删除的重复项,因为一个字段已更改,因此R认为这两行不重复。如果我不编辑任何内容,我就找不到选择了哪些行。

我现在的解决方案是在Excel中合并所有内容,而不是R,应用颜色代码突出显示所选行,并手动删除重复项。然而,这很耗时,容易出错,而且不可行,因为数据集似乎太大,而且我的电脑在尝试时很快就会耗尽内存。。。

更新:

下面是一个可复制的示例:

dat <- data.frame(
  X = sample(2000:2016, 50, replace=TRUE),
  Y = sample(c("yes", "no"), 50, replace = TRUE),
  Z = sample(c("french","german","english"), 50, replace=TRUE)
)

dat2 <- subset(dat, dat$X==2000)                   #samples of year 2000
sc <- dat2[sample(nrow(dat2), 1), ]                #Random selection of 1

我想做的是直接在数据集中进行选择(dat1),例如,在一个名为“选择”的列中随机分配值“1”。或者,如果不可能,我如何将采样的行(这里称为“sc”)合并回主数据集,但与指示它们已采样的内容合并

注:

在过去的两年里,我偶尔使用R,我是一个相当缺乏经验的用户,所以如果这是一个愚蠢的问题,我道歉。在过去的3天里,我一直在谷歌上漫游,所以找不到任何相关的答案。

我最近参加了一个生物学博士课程,该课程要求我处理档案中的大量数据。

1 回复 | 直到 8 年前

Florian 8 年前

编辑:根据评论更新。

您可以添加一列,指示行是否是示例的一部分。因此,不妨尝试以下方法:

df = data.frame(year= c(1,1,1,1,1,1,2,2,2,2,2,2), id=c(1,2,3,4,5,6,7,8,9,10,11,12),age=c(7,7,7,12,12,12,7,7,7,12,12,12))

library(dplyr)
n_per_year_low_age = 2
n_per_year_high_age = 1
df <- df %>% group_by(year) %>% 
  mutate(in_sample1 = as.numeric(id %in% sample(id[age<8],n_per_year_low_age))) %>% 
  mutate(in_sample2 = as.numeric(id %in% sample(id[age>8],n_per_year_high_age))) %>%
  mutate(in_sample = in_sample1+in_sample2) %>%
  select(-in_sample1,-in_sample2)

输出:

# A tibble: 12 x 4
# Groups: year [2]
    year    id   age in_sample
   <dbl> <dbl> <dbl>     <dbl>
 1  1.00  1.00  7.00      1.00
 2  1.00  2.00  7.00      1.00
 3  1.00  3.00  7.00      0   
 4  1.00  4.00 12.0       1.00
 5  1.00  5.00 12.0       0   
 6  1.00  6.00 12.0       0   
 7  2.00  7.00  7.00      1.00
 8  2.00  8.00  7.00      0   
 9  2.00  9.00  7.00      1.00
10  2.00 10.0  12.0       0   
11  2.00 11.0  12.0       0   
12  2.00 12.0  12.0       1.00

接下来的操作就很简单了:

# extracting your sample
df %>% filter(in_sample==1)
# comparing statistics of your sample against the rest of the population
df %>% group_by(year,in_sample) %>% summarize(mean(id))