如何从给定因子的大数据框中获取代表性样本

Question

如果一列是一个因素，但数据框的每个子集具有不同的大小 - 也许一个子集有数千行，而另一个子集有数万或数十万行 - 使用

df[sample(nrow(df, n),]

完成的采样可能不会有对于特定子集来说有足够的行。

采样的数据框将转换为 ggplot2 中的抖动图，我希望每个方面具有大致相同的样本大小。

Answer 1

在基数 R 中，您正在寻找函数

by

。

ply

中的 -

package:plyr

函数将完成类似的工作。它们更强大、更灵活，但使用起来有点棘手，如果您已经非常熟悉基本的 -

apply

功能，通常不需要它们。

有一条皱纹。运行类似

by(iris,iris$Species,function(d) sample(nrow(d)))

或其等效的

plyr

dlply(iris,.(Species),function(d) sample(nrow(d)))

将为您提供按物种划分的每个子数据帧的样本...但它将相对于该子数据帧进行索引，并且不是全部。如果您正确设计了数据结构，这应该不是问题。记住这一点并相应地编写你的绘图脚本。我可能会创建类似数据框列表的东西，我可以方便地迭代它来绘制每个方面，但没有人指责我是一个优秀的程序员。

Answer 2

ddply(iris, .(Species), function(d) { d[sample(nrow(d), pmin(nrow(d), 2000)),] })

它将数据框按 

Species

因子分开，获取每个子集的样本，然后将其重新组合到数据框中。

我使用

pmin(nrow(d), 2000)

来避免出现

cannot take a sample larger than the population

消息。在这种情况下，

iris

不是最好的例子，它只包含 150 行，每个物种只有 50 行 - 但同样的逻辑也用于我原来的 160 万行数据框，其中一个子集少于 2000 行.

Answer 3

分层样本

，您可以使用dplyr包中的group_by和sample_n：

set.seed(0) 
strat_iris <- iris %>%
  group_by(Species) %>%
  sample_n(5)

在此示例中，您将获得一个 15 行数据集样本，每个因子有 5 行。