38

您将如何使用 data.table 有效地对数据框中的每个组中的行进行采样？

DT = data.table(a = sample(1:2), b = sample(1:1000,20))
DT
    a   b
 1: 2 562
 2: 1 183
 3: 2 180
 4: 1 874
 5: 2 533
 6: 1  21
 7: 2  57
 8: 1  20
 9: 2  39
10: 1 948
11: 2 799
12: 1 893
13: 2 993
14: 1  69
15: 2 906
16: 1 347
17: 2 969
18: 1 130
19: 2 118
20: 1 732

我正在考虑类似的事情：DT[ , sample(??, 3), by = a]这将为每个“a”返回三行样本（返回行的顺序不重要）：

    a   b
 1: 2 180
 2: 2  57
 3: 2 799
 4: 1  69
 5: 1 347
 6: 1 732
4

5 回答 5

56

也许是这样的？

> DT[,.SD[sample(.N, min(3,.N))],by = a]
   a   b
1: 1 744
2: 1 497
3: 1 167
4: 2 888
5: 2 950
6: 2 343

（感谢 Josh 的更正，如下。）

于 2013-04-29T22:23:23.057 回答
8

我相信joran的回答可以进一步概括。详细信息在这里（How do you sample groups in a data.table with acaatation）但我相信这个解决方案可以解决没有“3”行可供采样的情况。

当前的解决方案在尝试从公共值小于“x”的行中采样“x”次时会出错。在以下情况下，x=3。它考虑到了这一警告。（由 nrussell 完成的解决方案）

set.seed(123)
##
DT <- data.table(
  a=c(1,1,1,1:15,1,1), 
  b=sample(1:1000,20))
##
R> DT[,.SD[sample(.N,min(.N,3))],by = a]
     a   b
 1:  1 288
 2:  1 881
 3:  1 409
 4:  2 937
 5:  3  46
 6:  4 525
 7:  5 887
 8:  6 548
 9:  7 453
10:  8 948
11:  9 449
12: 10 670
13: 11 566
14: 12 102
15: 13 993
16: 14 243
17: 15  42
于 2014-12-07T19:33:45.260 回答
2

受David Arenburg 这个答案的启发，另一种避免.SD分配的方法是对组进行抽样，然后使用.EACHI

DT[ DT[, sample(.N, 3), by=a], b[i.V1], on="a", by=.EACHI]

#    a  V1
# 1: 2  42
# 2: 2 498
# 3: 2 179
# 4: 1 469
# 5: 1  93
# 6: 1 898

该DT[, sample(.N, 3), by=a]行为我们提供了每个组的样本

#         a V1
# 1:      1  9
# 2:      1  3
# 3:      1  2
# 4:      2  4
# 5:      2  9
# ---

所以我们可以用它V1来给我们b它对应的。

于 2016-03-17T21:04:00.260 回答
2

有两个微妙的考虑因素会影响这个问题的答案，Josh O'Brien 和 Valentin 在评论中提到了这些因素。首先是subset via.SD效率很低，.I直接采样比较好（见下面的benchmark）。

第二个考虑因素，如果我们从采样.I，调用会在和sample(.I, size = 1)时导致意外行为。在这种情况下，表现得好像我们调用了 ，这肯定不是我们想要的。正如 Valentin 所说，在这种情况下最好使用该构造。.I > 1length(.I) = 1sample()sample(1:.I, size = 1).I[sample(.N, size = 1)]

作为基准，我们构建了一个简单的 1,000 x 1 数据表，并在每组中随机抽样。即使使用如此小的 data.table，该.I方法也快了大约 20 倍。

library(microbenchmark)
library(data.table)

set.seed(1L)
DT <- data.table(id = sample(1e3, 1e3, replace = TRUE))

microbenchmark(
  `.I` = DT[DT[, .I[sample(.N, 1)], by = id][[2]]],
  `.SD` = DT[, .SD[sample(.N, 1)], by = id]
)
#> Unit: milliseconds
#>  expr       min        lq     mean    median        uq       max neval
#>    .I  2.396166  2.588275  3.22504  2.794152  3.118135  19.73236   100
#>   .SD 55.798177 59.152000 63.72131 61.213650 64.205399 102.26781   100

由reprex 包于 2020-12-02 创建(v0.3.0)

于 2020-12-02T17:58:11.637 回答
0

分层抽样>过抽样

size=don[y==1,.(strata=length(iden)),by=.(y,x)] # count of iden by strata   
table(don$x,don$y) 

don<-merge(don,size[,.(y,strata)],by="x") #merge strata values  
don_strata=don[,.SD[sample(.N,strata)],by=.(y,x)]
于 2016-07-27T13:10:12.763 回答