Question

我想从数据框中选择n个随机记录的子集，但我想要基于列的唯一值。例如，来自数据集

从这个n = 3，我不想要像：

其中两个记录来自同一种子X1 = 3 但我想要这样的东西：

我该怎么做？

我尝试了以下内容：

df <- data.frame(matrix(c(1,1,1,2,2,3,3,3,3,4,4,4,5,5,5,5,5,4,5,6,44,55,444,555,666,777,4444,5555,6666,10,20,30,40,50),nrow=17,ncol=2))
df.colnames = c("x1","x2")
df[sample(nrow(df),3),]

但它似乎没有给我我想要的东西。如何调整样本以获得我想要的内容？或者我应该使用不同的功能进行子集化

编辑请注意，我的df将会有大约5000万条记录，我可能想要抽取100万条记录。（如1米独特的数据点）。哪种方法效率最高？

Answer 1

您可以使用我的＆＃34; splitstackshape＆＃34;中的stratified功能。包，像这样：

library(splitstackshape)
set.seed(1) ## so you can reproduce this
stratified(df, "X1", 1)
#    X1  X2
# 1:  1   4
# 2:  2  44
# 3:  3 666

或者，您可以使用＆＃34; dplyr＆＃34;中的sample_n：

library(dplyr)
set.seed(1) ## again, just to reproduce this
df %>% group_by(X1) %>% sample_n(1)
# Source: local data frame [3 x 2]
# Groups: X1
# 
#   X1  X2
# 1  1   4
# 2  2  44
# 3  3 666

关于您的注释，以下是我的系统上20M行的一些快速计时：

set.seed(1)
df <- data.frame(X1 = sample(1000000, 20000000, TRUE), 
                 X2 = rnorm(20000000))
dim(df)
# [1] 20000000        2

system.time(df %>% group_by(X1) %>% sample_n(1))
#   user  system elapsed 
# 39.687   0.365  40.583 
system.time(as.data.table(df)[, list(X2=sample(X2,1)), by=X1])
#   user  system elapsed 
# 10.792   0.156  11.033 
system.time(stratified(df, "X1", 1))
#   user  system elapsed 
# 12.351   0.455  12.895

（当然，stratified还会为您提供开箱即用的其他花哨功能，例如动态子集，取样与组的大小成比例，等等:-)）

Answer 2

尝试

 set.seed(1)
 aggregate(X2~X1, df, sample, 1)
 #   X1  X2
 #1  1   4
 #2  2  44
 #3  3 666

或使用data.table

 set.seed(1)
 setDT(df)[, list(X2=sample(X2,1)), by=X1]
 #  X1  X2
 #1:  1   4
 #2:  2  44
 #3:  3 666

Answer 3

这可能是使用dplyr的另一种方式。

group_by(df, X1) %>%
sample_n(1)

#  X1  X2
#1  1   5
#2  2  55
#3  3 777

选择R中唯一随机记录的子集

3 个答案: