Question

我相对较新的r（来自sas）我需要在每组中选择不同数量的观察。组由两个变量的值

标识

ToSelect <- data.frame(
                           key1=c(1,1,1,1,1,2,2,2,2,2,2,2),
                           key2=c("a","a","b","b","b","a","a","a","a","b","b","b"),
                           var1=c(2,3,4,6,2,7,8,5,7,1,8,5)
                          )
NumObs <- data.frame(
                           key1=c(1,1,2,2),
                           key2=c("a","b","a","b"),
                           NumObs=c(1,2,2,1)
                       )

我尝试过（从问题“为R中的每个级别选择前80个观察结果”）

ToSelect <- merge(x=ToSelect,y=NumObs,by=c("key1","key2"))
library(plyr)
Selected <- ddply(ToSelect, .(key1,key2), head, n = NumObs)

给出了

错误：length（n）== 1L不为TRUE

对于专家来说这可能是一个明显的错误（n是一个标量，NumObs是一个向量？）

从同一个问题，我试过：

Selected <- do.call(
                     rbind, 
                     lapply(split(ToSelect, c(ToSelect$key1,ToSelect$key2)), head, NumObs)
                    )

给出了

错误：length（n）== 1L不为TRUE。另外：警告信息：在 split.default（x = seq_len（nrow（x）），f = f，drop = drop，...）：data 长度不是拆分变量的倍数

那么，和以前一样的错误，加上多个东西，如果组的长度不同，我不能使用拆分？

然后我发现了一个问题“按组观察数量”这个问题，我无法让rle / sequence回答在我的案例中起作用，但是在调整ddply答案：

ToSelect <- ddply(ToSelect, .(key1, key2), function(z){
                                                         cbind(var1=z$var1,NumObs=z$NumObs,
                                                         data.frame(
                                                                       SeqNum = seq_along(z$key2)
                                                                    )
                                                               )
                                                       }
                 )
Selected <- ToSelect[ToSelect$SeqNum<=ToSelect$NumObs,c("key1","key2","var1")]

有效。

显然我的真实数据要大得多，那么还有另一种更好的方法吗？谢谢！

Answer 1

如果您正在寻找效率，我建议您查看data.table包。这个问题的一个相当直接的解决方案可能是：

#Convert objects to data.table
require("data.table")
ToSelect <- data.table(ToSelect)
NumObs <- data.table(NumObs)

#Merge data
ToSelect <- merge(ToSelect,NumObs,by=c("key1","key2"),all.x=T)

#Provide intra-group ordering variable
ToSelect[,Grp.Seq:=seq(1:.N),by=c("key1","key2")]
Selected <- ToSelect[NumObs>=Grp.Seq]
Selected

   key1 key2 var1 NumObs Grp.Seq
1:    1    a    2      1       1
2:    1    b    4      2       1
3:    1    b    6      2       2
4:    2    a    7      2       1
5:    2    a    8      2       2
6:    2    b    1      1       1

如果您不熟悉R，并且经常使用大型数据集，那么从一开始就学习data.table可能是有意义的。我为我的工作使用非常大的数据集，而data.frame类对于我所做的大部分工作并不实际。如果需要，可以很容易地在data.frame和data.table之间切换。

Answer 2

如果你想做我认为你想做的事情，那么data.table将会非常有帮助。根据您在var1表中给出的所需观察次数，这个小的一个班轮基本上按组随机抽样NumObs的值。尝试：

# Load package
require(data.table)
# Make your data.frames into data.tables                       
ts <- data.table( ToSelect , key = c( "key1","key2"))
no <- data.table( NumObs , key = c( "key1","key2") )

# Join together based on key columns and sample by group
no[ts][ , sample( var1 , NumObs , TRUE ) , by = c("key1","key2") ]
#   key1 key2 V1
#1:    1    a  2 
#2:    1    b  6 #|_ Two observations of group 1b
#3:    1    b  6 #|
#4:    2    a  5 #|_ Two observations of group 2a
#5:    2    a  8 #|
#6:    2    b  5

如果您不想使用替换进行采样（如上所述，请查看组1b的值 - 它们是相同的）然后删除TRUE的{{1}}参数（因此您无法选择比每组观察总数更多的观察结果。）

Answer 3

以下是一种方法，您可以从每组ToSelect和key1对key2中选择n个观察值。在这种情况下，n由NumObs data.frame。{/ p>中的NumObs指定

要做到这一点，我使用包dplyr，但肯定有其他方法可以做同样的事情。

安装软件包并将其加载到您的库中：

require(dplyr)

我首先将两个data.frames加入（=合并）：

df <- left_join(ToSelect, NumObs, by=c("key1", "key2"))

然后，我将结果data.frame df分组为key1和key2，并选择每组的NumObs个oberservations数量：

df <- df %.% group_by(key1, key2) %.% filter(1:n() <= NumObs)

>df
#  key1 key2 var1 NumObs
#1    1    a    2      1
#2    1    b    4      2
#3    1    b    6      2
#4    2    a    7      2
#5    2    a    8      2
#6    2    b    1      1

如果您希望生成的数据框没有NumObs列，则可以将其修改为：

df <- df %.% group_by(key1, key2) %.% filter(1:n() <= NumObs) %.% select(-NumObs)

r - 如何在每组中选择不同数量的观察

3 个答案: