代码之家 › 专栏 › 技术社区 › Chris Ruehlemann

从R中不同大小的数据帧子层中绘制相同大小的样本[重复]

sample for-loop r

Chris Ruehlemann · 技术社区 · 7 年前

我有一个包含多个列的数据框架,其中包括单词及其在句子中的位置。对于某些位置,行数比其他位置多。下面是一个模拟示例:

df <- data.frame(
  word = sample(LETTERS, 100, replace = T),
  position = sample(1:5, 100, replace = T)
)
head(df)
  word position
1    K        1
2    R        5
3    J        2
4    Y        5
5    Z        5
6    U        4

显然,“位置”部分的大小不同:

table(df$position)
 1  2  3  4  5 
15 15 17 28 25

为了使不同的部分更容易比较,我想在一个数据帧内对变量“位置”绘制大小相同的样本。理论上可以分步骤进行,例如:

df_pos1 <- df[df$position==1,]
df_pos1_sample <- df_pos1[sample(1:nrow(df_pos1), 3),]

df_pos2 <- df[df$position==2,]
df_pos2_sample <- df_pos2[sample(1:nrow(df_pos2), 3),]

df_pos3 <- df[df$position==3,]
df_pos3_sample <- df_pos3[sample(1:nrow(df_pos3), 3),]

df_pos4 <- df[df$position==4,]
df_pos4_sample <- df_pos4[sample(1:nrow(df_pos4), 3),]

df_pos5 <- df[df$position==5,]
df_pos5_sample <- df_pos5[sample(1:nrow(df_pos5), 3),]

df_samples <- rbind(df_pos1_sample, df_pos2_sample, df_pos3_sample, df_pos4_sample, df_pos5_sample)

但这一过程繁琐且容易出错。更经济的解决方案可能是for循环。到目前为止,我已经尝试过这段代码,但它返回的不是每个位置值的单个样本的组合,而是从“位置”的所有值中提取的单个样本:

df_samples <-c()
for(i in unique(df$position)){
   df_samples <- rbind(df[sample(1:nrow(df[df$position==i,]), 3),])
}
df_samples
   word position
13    D        2
2     R        5
12    G        3
4     Y        5
16    Z        3
11    S        3
6     U        4
14    J        3
9     O        5
1     K        1

这段代码有什么问题,如何改进?

3 回复 | 直到 7 年前

Parfait 7 年前

by 按帧分割数据有必要的抽样。然后 rbind 所有dfs一起在循环外使用 do.call() .

df_list <- by(df, df$position, function(sub) sub[sample(1:nrow(sub), 3),])

final_df <- do.call(rbind, df_list)

目前,您在每个迭代中索引整个(非子集)数据帧。此外,您正在使用内 for 循环是内存密集型的,不建议使用。

通过 tapply 本质上,将数据帧按因子拆分为子集,并将每个子集传递到定义的函数中。在这里
do.call 基本上是跨多个元素运行扩展调用的压缩版本,其中 rbind(df1, df2, df3) 相当于 do.call(rbind, list(df1, df2, df3)) 不是在循环中调用(避免了复杂对象(如迭代中的数据帧)的危险),而是一旦在循环之外。

xsabatox 7 年前

每次运行循环时,都会覆盖最后一个条目。尝试:

df_samples <- data.frame()
df_samples <- rbind(df_samples, df[sample(1:nrow(df[df$position==i,]), 3),])

akrun 7 年前

我们可以使用 data.table 与一组 sample 行索引的 .I 并使用它来子集数据集。这将是非常有效的

i1 <- setDT(df)[, sample(.I, 3), position]$V1
df[i1]

sample_n 从…起 tidyverse

library(tidyverse)
df %>% 
   group_by(position) %>% 
   sample_n(3)

或者作为一个函数

f1 <- function(data) {
     data as.data.table(data)
     i1 <- data[, sample(.I, 3), by = position]$V1
     data[i1]
    }