随机采样具有给定权重（频率）的数据帧行

Posted 2023-04-18

【中文标题】随机采样具有给定权重（频率）的数据帧行

【英文标题】：Randomly sample rows of data frame with given weights (frequency)

【发布时间】：2018-02-01 21:24:34

【问题描述】：

我有一个格式如下的数据框：一列包含原始序列，另一列包含序列出现的次数，其他列具有其他特征。

c1 <- c(324, 213, 122, 34)
c2 <- c("SDOIHHFOEKN", "SDIUFONBSD", "DSLIHFEIHDFS", "DOOIUDBD")
c3 <- c("G", "T", "U", "T")

df <- data.frame(count = c1, seq = c2, other = c3)

我的实际数据框有超过 10^6 行和 20 列。

我想从中随机采样 N 个序列，同时保持上面的数据帧结构。例如，我想从上述数据帧中随机抽取 300 个序列。理论上，此处存在的四个唯一序列的比率应保留在最终数据框中。

这种随机抽样是如何发生的？我正在考虑使用 reshape::untable 扩展数据框，然后使用随机数生成器和 grep 来获取行，但是我无法将其恢复为初始数据框格式，每行都有唯一的序列和计数该序列出现了多少次。

谢谢！

【问题讨论】：

sample 允许概率，所以你可以尝试类似：sample(c2, 300, replace = TRUE, prob = c1 / sum(c1))

@MikeH。我怎样才能得到最终数据帧中每个序列的实际计数呢？这将使相对频率保持不变，但不会给我一个绝对计数。谢谢！

您要对序列进行采样，然后对样本进行计数？

【参考方案1】：

使用 sample.int 来提高速度：

sampled_df <- df[sample.int(nrow(df), 300, replace = TRUE, prob = df$count),] %>% 
group_by(seq) %>% 
summarize(count = n(), other=unique(other)) %>% 
as.data.frame

> sampled_df
           seq count other
1     DOOIUDBD    21     T
2 DSLIHFEIHDFS    53     U
3   SDIUFONBSD   102     T
4  SDOIHHFOEKN   124     G

【讨论】：

如果我还有 18 个其他列也特定于每个序列，这将如何工作？我在这里看到您必须特别提及other，但对于其他 18 个变量，我不希望这样做。谢谢！

我可以看到两种方法：如果您想深入了解 dplyr，可以查看 dplyr summarize_at 或 summarize_all。否则，您可以将 merge 新的 data.frame 与原始数据一起使用，使用 seq 作为键。我更喜欢第二种方法，因为它只是注释并且不太复杂。