如何使用top_n进行条件提取

Posted 2023-03-31

【中文标题】如何使用top_n进行条件提取

【英文标题】：How to use top_n for conditional extraction

【发布时间】：2021-01-07 11:30:18

【问题描述】：

所以我的 df 中有一个包含“是”或“否”的列（类别），为了创建更平衡的样本，我想选择前 500 个“是”案例的行和我的数据集中的前 500 个“否”案例。

我试过这段代码：

top_n(df,500, category=="Yes")

但这会选择所有是的情况，而不是只选择前 500 个 我也试过这个，但这给了我一个错误，虽然我确信这没有任何意义

df %>% filter(top_n(500, category == "Yes") & top_n(500, category=="No")) 我需要一些正确方向的帮助

【参考方案1】：

我可能只是为此使用head，并直接在数据框上过滤

df1 <- head(df[df$category == "Yes",], 500)
df2 <- head(df[df$category == "No",], 500)

# to combine
out <- rbind(df1, df2)

我猜top_n 做了类似的事情。我希望dplyr 有更好的方法，但这应该可行:)

【讨论】：

这很好用！只是想找到一种方法让 top_n 工作或任何其他 dplyr 方式。将继续搜索:)

top_n 不会按照你的想法做。如果您在控制台中搜索 ?top_n，它会按值查找前 500 行。这很重要，因为如果您在数据集中只有一个值，则选择 1 行将与选择 5 具有相同的效果，例如 top_n(data.frame(x=rep(1,10)), 5, "x") 与 top_n(data.frame(x=rep(1,10)), 10, "x") 相同

有一个dplyr 版本的head 称为glimpse 例如***.com/questions/23408510/…

【参考方案2】：

如果您想随机选择是/否答案，您可以使用此代码：

#// generate toy data
df <- data.frame(YN = rep(c("yes", "no"),10), val = runif(20, 1, 100))
head(df)
#>    YN      val
#> 1 yes 26.00628
#> 2  no 98.34237
#> 3 yes 68.05788
#> 4  no 21.87011
#> 5 yes 33.92545
#> 6  no 68.74417

#// set random seed for reproducibility
set.seed(123)

#// randomly sample 5 'yes' answers
yes <- df[sample(which(df$YN == "yes"), 5),]
#// randomly sample 5 'no' answers
no <-  df[sample(which(df$YN == "no"), 5),]

#// create new dataframe with sampled answers
df_sub <- rbind(yes, no)
df_sub
#>     YN       val
#> 5  yes 33.925453
#> 19 yes 53.548253
#> 3  yes 68.057878
#> 15 yes 51.029700
#> 11 yes 91.768337
#> 10  no 11.923457
#> 8   no  8.467184
#> 12  no 63.233610
#> 16  no 93.375332
#> 2   no 98.342369

^{由reprex package (v0.3.0) 于 2021-01-07 创建}

【讨论】：

谢谢！但我想根据前 500 个“是”和“否”的观察结果创建一个“平衡”样本，所以不是随机的，但无论如何感谢这个很好的例子！

通过对是和否采样相同的数字来获得余额（在示例中，sample 调用中的数字 5 - 您将选择 500）。如果您的答案的排列方式存在偏差，那么通过获取与您的搜索条件相匹配的第一个答案，您可能会在您的子集中引入该偏差并且无法实现平衡集。但您肯定比任何人都更了解您的数据。