从数据框中的列中采样唯一行而不进行替换

Posted 2023-04-13

【中文标题】从数据框中的列中采样唯一行而不进行替换

【英文标题】：Sample unique rows from a column in a dataframe without replacement

【发布时间】：2019-07-21 20:45:10

【问题描述】：

我有一个dataframe，其中第一列包含唯一行IDs，第二列包含行之间通常不唯一的值。下面是一个使用iris 数据的简化示例：

> df <- as.data.frame(iris$Sepal.Length)
> id <- rownames(df)
> df <- cbind(id, df)
> colnames(df) <- c("id", "Sepal.Length")

> nrow(df)
[1] 150

> length(unique(df$id))
[1] 150

> length(unique(df$Sepal.Length))
[1] 35

> head(df,10)
   id Sepal.Length
1   1          5.1
2   2          4.9
3   3          4.7
4   4          4.6
5   5          5.0
6   6          5.4
7   7          4.6
8   8          5.0
9   9          4.4
10 10          4.9

我想从df$Sepal.Length 中随机抽样而不进行替换，以便抽样数据中的行具有唯一的行 ID 值。

> set.seed(22)
> df_sample <- df[sample(df$Sepal.Length, 10, replace=FALSE),]

但是，replace=FALSE 仍然给我带有重复 ID 的行：

> duplicated(df_sample$id)
 [1] FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE

有没有办法在不替换的情况下对这些数据进行采样，以便返回唯一的行？我正在尝试专门对df$Sepal.Length 进行采样，因为我还想为此列提供概率向量。谢谢！

【问题讨论】：

抱歉，如果不清楚 - 我正在展示一个简化的示例，但我需要专门对 df$Sepal.Length 进行抽样，因为我最终想为此列提供概率向量。我将更新问题以更明确地说明这一点。

可能是df[sample(length(df$Sepal.Length), 10, replace=FALSE),]。如果没有，可能你没有清楚地解释问题。

@Suren 是的，这行得通，谢谢！这类似于 Shree 的回答。

是的，Shree 的回答与我的相似。如果他在我之前给出，我不会发表评论。

【参考方案1】：

这是一种方法-

df <- data.frame(id = 1:nrow(iris), Sepal.Length = iris$Sepal.Length)

df_sample <- df[sample(nrow(df), 10, replace = F), ]

duplicated(df_sample$id)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

【参考方案2】：

您可以使用 dplyr 中的 sample_n() 和 sample_frac() 函数对数据框执行此操作。它使采样变得更加容易。

sample_n(iris, 100, replace = FALSE)
sample_frac(iris, .75, replace = FALSE)

【讨论】：

谢谢！我会接受 Shree 的回答，因为它需要对我现有的代码进行最少的更改，但我以后会记住这一点。