如何在不替换的情况下随机抽取样本后引导函数

Posted 2023-03-29

【中文标题】如何在不替换的情况下随机抽取样本后引导函数

【英文标题】：How to bootstrap a function after taking a randomly drawn sample without replacement

【发布时间】：2014-06-25 17:49:16

【问题描述】：

我有一些代码允许我从数据集中随机抽取两个样本，应用一个函数并重复该过程一定次数（请参阅下面来自相关问题的代码：How to bootstrap a function with replacement and return the output）。

示例数据：

> dput(a)
structure(list(index = 1:30, val = c(14L, 22L, 1L, 25L, 3L, 34L, 
35L, 36L, 24L, 35L, 33L, 31L, 30L, 30L, 29L, 28L, 26L, 12L, 41L, 
36L, 32L, 37L, 56L, 34L, 23L, 24L, 28L, 22L, 10L, 19L), id = c(1L, 
2L, 2L, 3L, 3L, 4L, 5L, 6L, 7L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 
14L, 15L, 16L, 16L, 17L, 18L, 19L, 20L, 21L, 21L, 22L, 23L, 24L, 
25L)), .Names = c("index", "val", "id"), class = "data.frame", row.names = c(NA, 
-30L))

代码：

   library(plyr)
    extractDiff <- function(P)
      subA <- P[sample(nrow(P), 15, replace=TRUE), ] # takes a random sample of 15 rows
      subB <- P[sample(nrow(P), 15, replace=TRUE), ] # takes a second random sample of 15 rows
      meanA <- mean(subA$val)
      meanB <- mean(subB$val)
      diff <- abs(meanA-meanB)
      outdf <- c(mA = meanA, mB= meanB, diffAB = diff)
      return(outdf)
    

    set.seed(42)
    fin <- do.call(rbind, replicate(10, extractDiff(a), simplify=FALSE))

我不想随机抽取两个大小为 15 的样本，而是随机抽取一个大小为 15 的样本，然后在第一次随机抽取后提取数据集中剩余的 15 行（即subA 将等于第一个随机抽取的 15 个 obs 样本，subB 将等于取 subA 后剩余的 15 个 obs）。我真的不知道该怎么做。任何帮助将非常感激。谢谢！

【问题讨论】：

不确定我是否完全理解——您的ddply 步骤将行数从 30（P）减少到 25（xA）。那么 15 行样本是否发生在该步骤之前？还是换了？

@Andrew：抱歉——ddply 不应该在里面。我已经删除了这个。我要做的就是从原始数据中随机抽取 15 个样本并将其存储为 subA，然后将剩余的 15 个 obs 作为 subB 存储在 extractDiff 函数中。非常感谢！

【参考方案1】：

我相信您可以通过对您的代码进行一些小的更改来做到这一点。

extractDiff <- function(P)
  sampleset = sample(nrow(P), 15, replace=FALSE) #select the first 15 rows, note replace=FALSE
  subA <- P[sampleset, ] # takes the 15 selected rows
  subB <- P[-sampleset, ] # takes the remaining rows in the set
  meanA <- mean(subA$val)
  meanB <- mean(subB$val)
  diff <- abs(meanA-meanB)
  outdf <- c(mA = meanA, mB= meanB, diffAB = diff)
  return(outdf)

但是，请注意，这与引导程序不兼容，因为引导程序需要更换。另一方面，如果您想从数据集中进行替换采样，然后从第一次采样中未选择的数据集中进行替换采样，您可以执行以下操作。

extractDiff <- function(P)
  sampleset1 = sample(nrow(P), 15, replace=TRUE) #select the first 15 rows, note replace=TRUE
  sampleset2 = sample((1:nrow(P))[-unique(sampleset1)],15,replace=TRUE) #selects only from rows not used in sampleset1
  subA <- P[sampleset1, ] # takes the 15 selected rows
  subB <- P[sampleset2, ] # takes the 15 selected rows in the remaining set set
  meanA <- mean(subA$val)
  meanB <- mean(subB$val)
  diff <- abs(meanA-meanB)
  outdf <- c(mA = meanA, mB= meanB, diffAB = diff)
  return(outdf)

但是，根据您的应用程序，这可能仍然不理想，因为第二个数据集比第一个数据集更有可能具有多个值实例。如果您选择的是整个集合的较小比例，那么问题就会小得多。您最好使用 'shuffle' 将集合分成两部分，并从两半进行替换采样，这样两组会更加均匀，但这会阻止第一组再次成为真正的引导集。

【讨论】：

@非常感谢您的建议。真的很有帮助和赞赏。我没有意识到 sample() 拿了“第一个”没有。您请求的行（如上所述）。我以为是随机抽样的？谢谢。

样本确实是随机选择的。当我说“前 15 行”时，我的意思是它第一次为第一个数据集选择行。它们是随机选择的。这里的关键是使用replacement，这样当你采样的时候，你可以把一些元素取两次。

【参考方案2】：

在这种情况下，我只需将P 的行号（存储在下面的index 中）洗牌，然后为subA 选择前15 个，为subB 选择第二个15：

library(plyr)
extractDiff <- function(P)
  index <- sample(seq_len(nrow(P)),replace = FALSE)
  subA <- P[index[1:15], ] # takes a random sample of 15 rows
  subB <- P[index[16:30], ] # takes a second random sample of 15 rows
  meanA <- mean(subA$val)
  meanB <- mean(subB$val)
  diff <- abs(meanA-meanB)
  outdf <- c(mA = meanA, mB= meanB, diffAB = diff)
  return(outdf)


set.seed(42)
fin <- do.call(rbind, replicate(10, extractDiff(a), simplify=FALSE))

【讨论】：

@安德鲁：非常感谢您的回答。非常感激。我喜欢它的简单。