0

我需要将 500.000 名客户分成 12 个有代表性的样本，每个月都会联系这些样本。

12 个样品应在产品和该产品的生命周期等级（A、B、C）内具有代表性。 意味着：我需要按产品 ID 和生命周期类别分层的比例样本（可以连接）

而且我不仅需要一个样本，而是将整个人口分成 12 个样本。

结果应该是添加了分层循环 ID (1 - 12) 的原始表。

费：

cust_id, product, lifecycle, NEW: cycle_id
10000, 4004, A, 3
10000, 2000, B, 6
10001, 3000, B, 12

一个客户可以欠多个产品，但客户-产品的组合是唯一的。

每个客户-产品组合在 12 个周期内只能使用一次（因此不能退回）

我怎样才能在 R 中做到这一点？

样本数据行：

cust_id, product, lifecycle
10000, 4004, A
10000, 2000, B
10001, 3000, B
10002, 2000, A
10004, 4004, C
...
4

1 回答 1

0

这是一个丑陋但实用的解决方案。我为奇怪、复杂的子集道歉，但不幸的是 by() 以一种非常奇怪的方式存储它的数据。

mysamp <- function(dat){
  samp <- runif(length(dat)) #get 12 random numbers
  samp <- ceiling(samp*12) #standardize between 1 and 12
  return(samp)
}

这就是您将用来将总体划分为 12 个样本的函数。现在说'zz'是你的数据集：

cust <- c(101, 101, 102, 105, 107)
prod <- c(4004, 2000, 3000, 3000, 4004)
life <- c('A', 'B', 'B', 'B', 'A')
zz <- data.frame(cust, prod, life)
prodlife <- paste0(zz$prod, zz$life)
zz <- data.frame(zz, prodlife)

给你

> zz
  cust prod life prodlife
1  101 4004    A    4004A
2  101 2000    B    2000B
3  102 3000    B    3000B
4  105 3000    B    3000B
5  107 4004    A    4004A

然后，您需要创建一列 0 来放入 cycle.id（在我的示例中我将其称为“cyc”）。像添加 zz$prodlife 一样将其附加到 data.frame。然后您可以使用这些语句进行采样并将样本分配给列：

cycle <- by(newzz$cust, newzz$prodlife, mysamp)
for(i in 1:length(cycle)){
    for(j in 1: length(cycle[i][[1]])){
        zz$cyc[zz$prodlife == names(cycle)[i]][j] <- cycle[i][[1]][j]
    }
}

by() 语句在那里完成所有工作，而可怕的 for 循环只是将采样值分配给正确的位置。因为“by”类的子集不方便，所以我想不出更有效的方法来完成这项任务，但也许其他人可以......？无论如何，这给了我：

> zz
  cust prod life prodlife cyc
1  101 4004    A    4004A   6
2  101 2000    B    2000B   5
3  102 3000    B    3000B   7
4  105 3000    B    3000B   8
5  107 4004    A    4004A   1

当然，这个例子太小了，无法判断样本是否正确分层，但这应该可行。快乐编码！

于 2012-07-03T15:29:11.827 回答