每组随机采样，制作一个新的数据框，重复直到组内的所有实体都被采样

Posted 2023-03-12

【中文标题】每组随机采样，制作一个新的数据框，重复直到组内的所有实体都被采样

【英文标题】：Randomly sample per group, make a new dataframe, repeat until all entities within a group are sampled

【发布时间】：2017-07-31 14:15:25

【问题描述】：

我想为每个区域随机抽取一个站点，创建一个新的数据框，然后重复这些过程，直到对所有站点进行采样。因此，每个数据框不会包含来自同一区域的同一站点。

我的真实数据框中的几个区域比其他区域有更多的站点（C 区有 4 个站点）。我想删除那些行（也许我应该在制作多个数据框之前这样做）。

这是一个示例数据框（真实的数据框有 >100 个区域和每个区域 >10 个站点）：

mydf <- read.table(header = TRUE, text = 'V1 V2 Region Site 
5 1 A X1
5 6 A X2
8 9 A X3
2 3 B X1
3 1 B X2
7 8 B X3
1 2 C X1
9 4 C X2
4 5 C X3
6 7 C X4')

重复以下代码三次会生成包含给定区域的相同站点的数据帧（第二个和第三个表都具有区域 A 的站点 X2）。

do.call(rbind, lapply(split(mydf, mydf$Region), function(x) x[sample(nrow(x), 1), ]))

  V1 V2 Region Site
A  8  9      A   X3
B  2  3      B   X1
C  6  7      C   X4

V1 V2 Region Site
A  5  6      A   X2
B  7  8      B   X3
C  9  4      C   X2

  V1 V2 Region Site
A  5  6      A   X2
B  3  1      B   X2
C  6  7      C   X4

您能否帮我创建多个数据框，以便所有数据框都包含所有区域，但每个数据框都包含唯一的 Region-Site 组合。

编辑：这是预期的输出。为了产生这些，在第一次采样中，从每个区域中随机抽取一个站点（行）并制作一个数据框。在第二次抽样中，重复相同的过程，但无法绘制给定区域的相同站点。我想要的是包含 Region-Site 独特组合的独立数据框。

V1 V2 Region Site
5 1 A X1
7 8 B X3
1 2 C X1

V1 V2 Region Site
5 6 A X2
3 1 B X2
4 5 C X3

V1 V2 Region Site
8 9 A X3
2 3 B X1
9 4 C X2

【问题讨论】：

关于 R 编码的问题通常不在此处讨论。我认为这将成为Stack Overflow 的主题。如果您等待，我们可以尝试将其迁移到那里。

对不起。感谢您尝试迁移它。

你能显示预期的输出吗？

【参考方案1】：

伟大的data.table 包实际上使这非常容易

# Turn mydf into a data.table 
library(data.table)
setDT(mydf)

# Shuffle the rows of the table
dt <- dt[sample(.N)]

# In case there are multiple rows for a given Region <-> Site pair,
# eliminate duplicates.
dt <- unique(dt, by = c('Region', 'Site'))

# Get the first sample from each region group
# Note: .SD refers to the sub-tables after grouping by Region
dt[, .SD[1], by=Region]

# Get the second and third sample from each region group
dt[, .SD[2], by=Region]
dt[, .SD[3], by=Region]

事实上，你可以按照弗兰克的建议合并成一个单线

library(data.table)
dt <- setDT(mydf)
dt <- unique(dt, by = c('Region', 'Site'))
dt[sample(.N), .SD[1:3], by = Region]

【讨论】：

“消除重复”步骤也可以使用unique 完成。关于后面的部分，可能只是dt[, .SD[1:3], by=Region]，因为 OP 只需要每个区域三个站点。作为旁注，我认为覆盖dt <- 是不好的做法，因为它更难调试。

强调 OP 的清晰度。也添加了单行。

好的，不错的单行。顺便说一句，只是为了澄清。 dt <- dt[...] 使代码不那么清晰，因为如果我想在这样的步骤之前弄清楚 dt 的样子，我需要从顶部再次运行代码。更简单的是newdt <- dt[...]。单独的一点：使用setDT，无需分配。 mydf 本身已经变成了一个data.table，通过引用修改。

【参考方案2】：

成功了！我没有看到接受答案的复选标记，所以我在这里做。