r - 以变​​量/列达到某个平均值为条件对特定数量的 tibble 行进行采样

Question

我有一个包含很多行的数据集（~500000）。该数据集的“X”列的平均值为 4.5。我想对数据集（没有替换）进行采样，使其具有大约 50000 行，同时达到大约 3.5 的“X”平均值。

我将如何在 R 中以相当快的方式做到这一点？

Answer 1

由于 OP 的唯一标准是在不考虑分散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. 按此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，对数据进行子集化，使其累积平均值约为 3.5。

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