web-dev-qa-db-ja.com

データフレームからの階層化ランダムサンプリング

次の形式のデータフレームがあります。

head(subset)
# ants  0 1 1 0 1 
# age   1 2 2 1 3
# lc    1 1 0 1 0

年齢とlcに応じたランダムサンプルで新しいデータフレームを作成する必要があります。たとえば、age：1とlc：1の30個のサンプル、age：1とlc：0の30個のサンプルなどが必要です。

私は次のようなランダムサンプリング方法を見ました。

newdata <- function(subset, age, 30)

しかし、私が望んでいるのはコードではありません。

rrandomsampling
21
user3525533

データは次のとおりです。

set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

あなたはsplit your data.frame（この例ではd）、各サブサンプルから行/観測値をサンプリングし、それからrbind。仕組みは次のとおりです。

sp <- split(d, list(d$age, d$lc))
samples <- lapply(sp, function(x) x[sample(1:nrow(x), 30, FALSE),])
out <- do.call(rbind, samples)

結果：

> str(out)
'data.frame':   300 obs. of  3 variables:
 $ age : int  1 1 1 1 1 1 1 1 1 1 ...
 $ lc  : int  0 0 0 0 0 0 0 0 0 0 ...
 $ ants: int  1 1 0 1 1 1 1 1 1 1 ...
> head(out)
         age lc ants
1.0.2242   1  0    1
1.0.4417   1  0    1
1.0.389    1  0    0
1.0.4578   1  0    1
1.0.8170   1  0    1
1.0.5606   1  0    1
16
Thomas

パッケージの関数strataを参照してください sampling 。この関数は、層化された単純なランダムサンプリングを選択し、結果としてサンプルを提供します。余分な2つの列が追加されます-包含確率（Prob）と階層インジケーター（Stratum）。例を参照してください。

require(data.table)
require(sampling)

set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T), 
                lc = rbinom(n, 1 , .5),
                ants = rbinom(n, 1, .7))

# Sort
setkey(d, age, lc)

# Population size by strata
d[, .N, keyby = list(age, lc)]
#     age lc    N
#  1:   1  0 1010
#  2:   1  1 1002
#  3:   2  0  993
#  4:   2  1 1026
#  5:   3  0 1021
#  6:   3  1  982
#  7:   4  0  958
#  8:   4  1  940
#  9:   5  0 1012
# 10:   5  1 1056

# Select sample
set.seed(2)
s <- data.table(strata(d, c("age", "lc"), rep(30, 10), "srswor"))

# Sample size by strata
s[, .N, keyby = list(age, lc)]
#     age lc  N
#  1:   1  0 30
#  2:   1  1 30
#  3:   2  0 30
#  4:   2  1 30
#  5:   3  0 30
#  6:   3  1 30
#  7:   4  0 30
#  8:   4  1 30
#  9:   5  0 30
# 10:   5  1 30
15
djhurio

質問を誤解していない限り、これは単純な関数を使用するのはとてつもなく簡単です。

ステップ1：interaction関数を使用してストラタムインジケーターを作成します。

ステップ2：一連の行インジケーターでtapplyを使用して、ランダムサンプルのインデックスを識別します。

ステップ3：これらのインデックスでデータをサブセット化する

@Thomasのデータ例を使用します。

set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

## stratum indicator
d$group <- interaction(d[, c('age', 'lc')])

## sample selection
indices <- tapply(1:nrow(d), d$group, sample, 30)

## obtain subsample
subsampd <- d[unlist(indices, use.names = FALSE), ]

適切な層別化を検証する

> table(subsampd$group)

1.0 2.0 3.0 4.0 5.0 1.1 2.1 3.1 4.1 5.1 
 30  30  30  30  30  30  30  30  30  30
1
AdamO

data.tableを使用したワンライナーは次のとおりです。

set.seed(1)
n <- 1e4
d <- data.table(age  = sample(1:5, n, T),
                lc   = rbinom(n,   1, .5),
                ants = rbinom(n,   1, .7))

out <- d[, .SD[sample(1:.N, 30)], by=.(age, lc)]

# Check
out[, table(age, lc)]
##    lc
## age  0  1
##   1 30 30
##   2 30 30
##   3 30 30
##   4 30 30
##   5 30 30
0
mrbrich