web-dev-qa-db-ja.com

dplyrを使用してデータフレームからサブグループの行をサンプリングする

異なるグループからいくつかのサンプルをランダムに選択したい場合は、plyrパッケージと以下のコードを使用します

require(plyr)
sampleGroup<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

iris.sample<-ddply(iris,.(Species),function(df) sampleGroup(df,10))

ここでは、各種から10個のサンプルが選択されています。

一部のデータフレームは非常に大きく、質問はdplyrパッケージで同じsampleGroup関数を使用できるかどうかです。またはdplyrで同じことをする別の方法はありますか？

[〜＃〜]編集[〜＃〜]

Dplyrパッケージのバージョン0.2は、テーブルsample_nおよびsample_fracからランダムな行を選択する2つの新しい関数を導入しました

rdplyrsample
30
Robert

はい、do（）関数でdplyrをエレガントに使用できます。次に例を示します。

mtcars %>% 
    group_by(cyl) %>%
    do(sample_n(.,2))

結果はこんな感じ

Source: local data frame [6 x 11]
Groups: cyl

   mpg cyl  disp  hp drat    wt  qsec vs am gear carb
1 24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
2 26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
3 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
4 17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
5 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
6 15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8

更新：

Dplyrの新しいバージョンでは、do関数はsample_nに必要なくなりました。グループごとに2行のランダムなサンプルを取得するための現在のコード：

mtcars %>% 
    group_by(cyl) %>% 
    sample_n(2)
57
PhilChang

これはdata.tableで簡単に実行でき、大きなテーブルに役立ちます。

注： Troyのコメントで述べたように、data.tableを使用してこれを行うより効率的な方法がありますが、OPサンプル関数とフォーマットを尊重したいと思いました。

require(data.table)
DT <- data.table(x = rnorm(10e6, 100, 50), y = letters)

sampleGroup<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

result <- DT[, sampleGroup(.SD, 10), by=y]
print(result)

# y         x y
# 1: a  30.11659 m
# 2: a  57.99974 h
# 3: a  58.13634 o
# 4: a  87.28466 x
# 5: a  85.54986 j
# ---              
# 256: z 149.85817 d
# 257: z 160.24293 e
# 258: z  26.63071 j
# 259: z  17.00083 t
# 260: z 130.27796 f

system.time(DT[, sampleGroup(.SD, 10), by=y])
# user  system elapsed 
# 0.66    0.02    0.69 

Using the iris dataset:
iris <- data.table(iris)
iris[,sampleGroup(.SD, 10), by=Species]
8
marbel

それは良い質問です！ dplyrの文書化された構文でそれを行う簡単な方法はわかりませんが、回避策としてこれはどうですか？

sampleGroup<-function(df,x=1){

  df[
    unlist(lapply(attr((df),"indices"),function(r)sample(r,min(length(r),x))))
    ,]

}

sampleGroup(iris %.% group_by(Species),3)

#Source: local data frame [9 x 5]
#Groups: Species
#
#    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species
#39           4.4         3.0          1.3         0.2     setosa
#16           5.7         4.4          1.5         0.4     setosa
#25           4.8         3.4          1.9         0.2     setosa
#51           7.0         3.2          4.7         1.4 versicolor
#62           5.9         3.0          4.2         1.5 versicolor
#59           6.6         2.9          4.6         1.3 versicolor
#148          6.5         3.0          5.2         2.0  virginica
#103          7.1         3.0          5.9         2.1  virginica
#120          6.0         2.2          5.0         1.5  virginica

編集-パフォーマンス比較

1m行、26グループに対してdata.table（ネイティブと例の関数呼び出しの両方）を使用することに対するテストを次に示します。

ネイティブのdata.tableは、dplyrの回避策の約2倍の速さで、コールアウトを使用したdata.tableの呼び出しよりも高速です。したがって、おそらくdplyr/data.tableはほぼ同じパフォーマンスです。

うまくいけば、dplyrの連中がサンプリング用のネイティブ構文をすぐに提供してくれることを願っています！ （またはもっと良い、多分それはすでにそこにあります）

sampleGroup.dt<-function(df,size) {
  df[sample(nrow(df),size=size),]
}

testdata<-data.frame(group=sample(letters,10e5,T),runif(10e5))

dti<-data.table(testdata)

# using the dplyr workaround with external function call
system.time(sampleGroup(testdata %.% group_by(group),10))
#user  system elapsed 
#0.07    0.00    0.06 

#using native data.table
system.time(dti[dti[,list(val=sample(.I,10)),by="group"]$val])
#user  system elapsed 
#0.04    0.00    0.03 

#using data.table with external function call
system.time(dti[, sampleGroup.dt(dti, 10), by=group])
#user  system elapsed 
#0.06    0.02    0.08
7
Troy