我有一个由分布在 15 个不同 ID 中的近 50,000 行组成的数据框（每个 ID 都有数千个观察值）。数据框如下所示：
ID Year Temp ph
1 P1 1996 11.3 6.80
2 P1 1996 9.7 6.90
3 P1 1997 9.8 7.10
...
2000 P2 1997 10.5 6.90
2001 P2 1997 9.9 7.00
2002 P2 1997 10.0 6.93
我想为每个 ID 取 500 个随机行（所以 P1 为 500，P2 为 500，....）并创建一个新的 df。我尝试：
new_df<-df[df$ID %in% sample(unique(dfID),500),]
但它随机需要一个 ID，而每个 ID 我需要 500 个随机行。
这可作为以下slice_sample功能使用dplyr：
library(dplyr)
new_df <- df %>% group_by(ID) %>% slice_sample(n=500)
在旧版本的 R 中，该函数被称为sample_n，已被弃用。
尝试这个：
library(plyr)
ddply(df,.(ID),function(x) x[sample(nrow(x),500),])
这是base R中的一种方法。
首先，要使用的先决条件样本数据：
set.seed(1)
mydf <- data.frame(ID = rep(1:3, each = 5), matrix(rnorm(45), ncol = 3))
mydf
# ID X1 X2 X3
# 1 1 -0.6264538 -0.04493361 1.35867955
# 2 1 0.1836433 -0.01619026 -0.10278773
# 3 1 -0.8356286 0.94383621 0.38767161
# 4 1 1.5952808 0.82122120 -0.05380504
# 5 1 0.3295078 0.59390132 -1.37705956
# 6 2 -0.8204684 0.91897737 -0.41499456
# 7 2 0.4874291 0.78213630 -0.39428995
# 8 2 0.7383247 0.07456498 -0.05931340
# 9 2 0.5757814 -1.98935170 1.10002537
# 10 2 -0.3053884 0.61982575 0.76317575
# 11 3 1.5117812 -0.05612874 -0.16452360
# 12 3 0.3898432 -0.15579551 -0.25336168
# 13 3 -0.6212406 -1.47075238 0.69696338
# 14 3 -2.2146999 -0.47815006 0.55666320
# 15 3 1.1249309 0.41794156 -0.68875569
二、抽样：
do.call(rbind,
lapply(split(mydf, mydf$ID),
function(x) x[sample(nrow(x), 3), ]))
# ID X1 X2 X3
# 1.2 1 0.1836433 -0.01619026 -0.1027877
# 1.1 1 -0.6264538 -0.04493361 1.3586796
# 1.5 1 0.3295078 0.59390132 -1.3770596
# 2.10 2 -0.3053884 0.61982575 0.7631757
# 2.9 2 0.5757814 -1.98935170 1.1000254
# 2.8 2 0.7383247 0.07456498 -0.0593134
# 3.13 3 -0.6212406 -1.47075238 0.6969634
# 3.12 3 0.3898432 -0.15579551 -0.2533617
# 3.15 3 1.1249309 0.41794156 -0.6887557
包装中也有，当您想strata从sampling每组中取样不同尺寸时很方便：
# install.packages("sampling")
library(sampling)
set.seed(1)
x <- strata(mydf, "ID", size = c(2, 3, 2), method = "srswor")
getdata(mydf, x)
# X1 X2 X3 ID ID_unit Prob Stratum
# 2 0.1836433 -0.01619026 -0.1027877 1 2 0.4 1
# 5 0.3295078 0.59390132 -1.3770596 1 5 0.4 1
# 6 -0.8204684 0.91897737 -0.4149946 2 6 0.6 2
# 8 0.7383247 0.07456498 -0.0593134 2 8 0.6 2
# 9 0.5757814 -1.98935170 1.1000254 2 9 0.6 2
# 14 -2.2146999 -0.47815006 0.5566632 3 14 0.4 3
# 15 1.1249309 0.41794156 -0.6887557 3 15 0.4 3
如果您有大数据集，data.table解决方案可能如下所示：
library(data.table)
# Generate 26 mil rows random data
set.seed(2019)
dt <- data.table(c1 = sample(length(LETTERS)*10^6),
c2 = sample(LETTERS, replace = TRUE))
# For each letter, sample 500 rows
dt_sample <- dt[, .SD[sample(x = .N, size = 500)], by = c2]
# We indeed sampled 500 rows for each letter
dt_sample[, .N, by = c2][order(c2)]
#> c2 N
#> 1: A 500
#> 2: D 500
#> 3: G 500
#> 4: I 500
#> 5: M 500
#> 6: N 500
#> 7: O 500
#> 8: P 500
#> 9: Q 500
#> 10: R 500
#> 11: S 500
#> 12: T 500
#> 13: U 500
#> 14: V 500
#> 15: W 500
#> 16: Y 500
#> 17: Z 500
由reprex 包（v0.2.1）于 2019 年 4 月 23 日创建
如果您的数据不平衡，因为某些组恰好小于您所需的样本量（作为行数），那么您需要设置一个防御技巧，例如样本量应该是min(500, .N)- 请参阅每个组中的样本随机行一个数据表。就像：
dt[, .SD[sample(x = .N, size = min(500, .N))], by = c2]
如果一个 ID 小于 500 的方法。这里我使用了 mtcars 集：
n <- 8
df <- mtcars
df$ID <- df$cyl
FUN <- function(x, n) {
if (length(x) <= n) return(x)
x[x %in% sample(x, n)]
}
df[unlist(lapply(split(1:nrow(df), df$ID), FUN, n = 8)), ]
这是一个基于data.table. 您可以通过三个简单的步骤从面板数据集（平衡或不平衡）中随机抽取 ID：
第 1 步：将原始数据集中的唯一 ID 存储在向量中（我的数据集称为“main”，标识符称为“id”）：
ids <- unique(main$id)
第 2 步：从第 1 步的向量中随机抽取 ID。在下面的示例中，我从向量“ids”中随机抽取 50 个 ID，并将它们存储在新向量“draw”中：
draw <- ids %>% sample(50)
第 3 步：根据与第 2 步中绘制的 ID 匹配，对原始数据集中的行进行子集化。
rsample <- main[main$id %in% draw, ]
mydata1 is your original data(not tested)
mydata2<- split(mydata1,mydata1$ID)
names(mydata2)<-paste0("mydata2",1:length(levels(ID)))
mysample<-Map(function(x) x[sample((1:nrow(x)),size=500,replace=FALSE),], mydata2)
library(plyr)# for rbinding the mysample
ldply(mysample)
library(data.table) #1
df <- data.table(df) #2
df[,group_num := sample(2,.N,replace = TRUE,prob = c(500,.N-500)/.N),by = "ID"] #3
df_sample = df[group_num == 1,] #4
或者您可以将第 3 行和第 4 行更改为：
df[,random_num := sample(.N,.N),by="ID"]
df_sample = df[random_num <=500,]
虽然这不是很优雅的解决方案，但它可能会奏效。
library(data.table)
df <- data.table(df)
f <- list()
for(i in unique(df1$ID)){
f[[i]] <- df1[id == i][sample(.N,(500))]
}
dfnew <- rbindlist(f)