对变量/列达到特定平均值的条件下特定数量的小标题行进行采样

Question

我的数据集包含很多行（〜500000）。该数据集的列“ X”的平均值为4.5。我想对数据集进行采样（不进行替换），使其大约有50000行，同时达到大约3.5的“ X”平均值。

我将如何以相当快的方式在R中执行此操作？

Answer 1

由于OP的唯一标准是在不考虑分散性的情况下使样本均值接近3.5，因此这是一种可能的方法：

1. 计算与3.5的偏差，
2. 按照该偏差对数据进行排序，
3. [计算X的累积平均值，按与3.5的绝对偏差排序，]
4. 在对数据进行采样之前，将数据的累积均值细分为3.5左右。

代码：

library(data.table)
nr <- 5e5
ns <- 5e4
DT <- data.table(X=rnorm(nr, 4.5))

target <- 3.5
dev <- 0.05
setorder(DT[, absDev := abs(X - target)], absDev)
DT[, cummean := cumsum(X) / seq_len(.N)]
x <- DT[(target-dev) <= cummean & cummean <= (target+dev), sample(X, ns)]
mean(x)
#[1] 3.549371