Question

为了说明我的问题，一个虚拟的例子：我有一个16行的数据集（这些代表试验）和3列（试验难度，标签X和标签Y）。标签X是4级（1-4）的因子，标签Y是2级的因子（＆＃34;女性＆＃34;，＆＃34;男性＆＃34;）。例如：

        difficulty    X    Y
trial1   3.0           1    male
trial2   1.4           1    male
trial3   2.1           1    female
trial4   1.5           1    female
trial5   0.3           2    male
trial6   1.2           2    male
trial7   3.0           2    female
trial8   1.6           2    female
trial9   0.8           3    male
trial10  1.4           3    male
trial11  2.8           3    female
trial12  1.5           3    female
trial13  0.3           4    male
trial14  1.2           4    male
trial15  3.0           4    female
trial16  1.6           4    female

我想在总共16项试验中创建8项试验的子集;应符合以下标准的子集：

在标签X的四个级别内有相同数量的试验
在标签Y的两个级别内有相同数量的试验（并且在标签X的四个级别内，每个级别的标签Y也应该有相同数量的试验）
试验难度变量（数字，范围从0到3）应尽可能接近1.5

对于我的例子，这个虚拟例子中的理想集合是：

        difficulty    X    Y
trial2   1.4           1    male
trial4   1.5           1    female
trial6   1.2           2    male
trial8   1.6           2    female
trial10  1.4           3    male
trial12  1.5           3    female
trial14  1.2           4    male
trial16  1.6           4    female

该子集每个X级别有2个试验，每个X级别有相同数量的雌性和雄性，而所有试验的难度值都尽可能接近1.5。

我的尝试是使用了许多嵌套的while和if循环，但我不确定如何同时检查两个变量（此时我正在循环直到X完成，然后循环直到Y完成，然后循环直到再次满足X，等等。这是正确的做法，还是会有更合理的方法来做到这一点？

Answer 1

以下代码假设您的数据框名为dat。代码添加一个新变量difficulty.scaled，等于difficulty与1.5的偏差，然后按X和Y的值对数据进行分组，然后在每个组中选择绝对值为{{1最接近0的（即最接近1.5的difficulty.scaled）。

您可以调整difficulty函数的probs参数，以选择所需的每个子组的百分比。在这种情况下，我已经选择了每个子组中50％的行（即，代表quantile和X的每个组合的行的50％。）

对于您在上面粘贴的数据（我已将试用版转换为变量），输出如下：

library(dplyr)  # Install the dplyr package if you don't already have it
dat2 = dat %.%
         mutate(difficulty.scaled=difficulty - 1.5) %.%
         group_by(X, Y) %.%
         filter(abs(difficulty.scaled) < quantile(abs(difficulty.scaled), .5))

您提供的数据对tnum difficulty X Y difficulty.scaled 1 trial2 1.4 1 male -0.1 2 trial4 1.5 1 female 0.0 3 trial6 1.2 2 male -0.3 4 trial8 1.6 2 female 0.1 5 trial10 1.4 3 male -0.1 6 trial12 1.5 3 female 0.0 7 trial14 1.2 4 male -0.3 8 trial16 1.6 4 female 0.1和X的每种组合都有相同数量的观察结果。如果您的实际数据在这些变量上不平衡，那么您可以选择特定数量的行，而不是选择每个子组中的行百分比。下面的代码选择每个子组中绝对值最低Y的{{1}}行。这样，即使您的完整数据集不是，您的子集也会得到平衡（只要n和difficulty.scaled的每个组合至少有n行数据。

Y可确保返回准确的n=1 dat2 = dat %.% mutate(difficulty.scaled=difficulty - 1.5) %.% group_by(X, Y) %.% filter(rank(abs(difficulty.scaled), ties.method="first") <= n)行，即使有多个行具有相同的绝对值ties.method="first"。

更新：如何将子集化数据划分为训练和测试集。

假设n是您的平衡子集，您可以将其划分为训练和测试子集，如下所示：

difficulty.scaled

这将为每个子组返回10个随机采样的行。只需将此值设置为训练样本中每个子组的任意行数。请注意，您不需要按X和Y分组来创建训练样本。这是因为当您创建dat2时，# Note that you need to use %>% instead of %.% train = dat2 %>% do(sample_n(., 10))向dat2添加了dplyr继续识别的分组属性。请dat2查看此内容。

dplyr是一个通用函数，允许您对str(dat2)内的数据帧执行任意操作。句点do是一种＆＃34;代词＆＃34;表示数据框（在这种情况下为dplyr）。这仅适用于.而不是dat2。（%>%处于正在开发阶段，正在从%.%过渡到dplyr以进行链接操作，因此从现在开始使用%.%可能是最好的。）

%>%

创建一个在多个变量之间平衡的子集

1 个答案: