如何在 dplyr 中每 n 行非随机采样？

Posted 2023-03-12

【中文标题】如何在 dplyr 中每 n 行非随机采样？

【英文标题】：How to non-randomly sample every n rows in dplyr?

【发布时间】：2015-09-02 07:15:48

【问题描述】：

我想在 dplyr 中做sample_n()，除了我不希望抽样是随机的，我打算每 n 行抽样一次。

有没有办法做到这一点？

例如，我想在按Month 和Day 排序后获取airquality 数据集的每10 行。预期输出：

   Ozone Solar.R Wind Temp Month Day
      NA     194  8.6   69     5  10
      11      44  9.7   62     5  20
     115     223  5.7   79     5  30
      71     291 13.8   90     6   9
      12     120 11.5   73     6  19
      NA      31 14.9   77     6  29

    ...

【参考方案1】：

您真的很想使用序列进行子集化。

mtcars[seq(1, nrow(mtcars), 10), ]

将mtcars 替换为您的data.frame，并将10 替换为您要提取的第n 行

【讨论】：

我在问是否有办法在 dplyr 中做到这一点。你不能在链的中间这样做（好吧，你可以用“。”破解它）一般来说这样做是微不足道的。

【参考方案2】：

如果您有想要采样的有序数据的数据框，您可以在row_number 上进行过滤：

library(tidyverse)

airquality %>%
  arrange(Month, Day) %>%
  filter(row_number() %% 10 == 0) %>%
  head()
#>   Ozone Solar.R Wind Temp Month Day
#> 1    NA     194  8.6   69     5  10
#> 2    11      44  9.7   62     5  20
#> 3   115     223  5.7   79     5  30
#> 4    71     291 13.8   90     6   9
#> 5    12     120 11.5   73     6  19
#> 6    NA      31 14.9   77     6  29

由于每个月没有分组，因此保留了每 10 行（这意味着 Day 从 10 秒变为 9 秒）。按Month 分组可以解决这个问题：

airquality %>%
  arrange(Month, Day) %>%
  group_by(Month) %>%
  filter(row_number() %% 10 == 0) %>%
  head()
#> # A tibble: 6 x 6
#> # Groups:   Month [2]
#>   Ozone Solar.R  Wind  Temp Month   Day
#>   <int>   <int> <dbl> <int> <int> <int>
#> 1    NA     194  8.60    69     5    10
#> 2    11      44  9.70    62     5    20
#> 3   115     223  5.70    79     5    30
#> 4    39     323 11.5     87     6    10
#> 5    13     137 10.3     76     6    20
#> 6    NA     138  8.00    83     6    30

当然，我们本可以只使用filter(Day %% 10 == 0)，但并不总是可以使用这么好的数字！

【参考方案3】：

如果您打算对 data.frame 中的每“n”行进行采样并在每个“n”中获取“n1”行，请为每“n”行创建一个分组变量并使用sample_n。 （这是我的解释，欢迎指正）

library(dplyr)
n <- 6
n1 <- 3
df1 %>% 
    group_by(gr= as.numeric(gl(n(), n, n()))) %>%
    sample_n(.,n1)

数据

set.seed(24)
df1 <- as.data.frame(cbind(rn=1:40, matrix(sample(0:10,3*40, 
            replace=TRUE), ncol=3)) )