Question

我有一个具有这种结构的大型数据集（数百万条记录）：

id | ident1  |  ident2  
1    A000001    B000001 
2    A000001    B000002
................

99   A000001    B000099
.........
337  A000002    B000037
338  A000002    B000043

换句话说，对于每个[ident1]，我在[ident2]中有大量条目。我希望能够只选择其中的20个条目（如果小于20条，则只选择其中的一条）。

订单并不重要：所以如果给定的ident1有100个匹配的[ident2]，我想要前20个条目，或者20个随机条目，它并不重要。

提前致谢，p。

Answer 1

尝试

library(dplyr)
df %>% 
   group_by(ident1) %>%
   slice(1:20)

或使用data.table

library(data.table)
setDT(df)[, head(.SD,20), by=ident1]

如果您需要样品

setDT(df)[df[, .I[sample(.N,20, replace=FALSE)], by=ident1]$V1]

如果某些群组的行数少于20

sample

Answer 2

作为@akrun的答案，我使用dplyr，但在我的情况下，你是随机选择观察。

library(dplyr)
df %>% 
  group_by(ident1) %>%
  sample_n(20)

或：

library(dplyr)
df %>% 
  group_by(ident1) %>%
  sample_frac(.2) # randomly select the 20 % from each group

使用plyr：

随机选择观察结果：

ddply(df, .(ident1), function(x, howmany) {

    x[sample(seq_len(nrow(x)), howmany), ]

}, howmany = 20)

选择前20个障碍物：

ddply(df, .(ident1), head, 20)

Answer 3

基本R选项获取每ident1的前20行，但不如data.table或dplyr效率高：

df[ave(seq_along(df$ident1), df$ident1, FUN = seq_along) <= 20, ]

每个条目选择20个第一行

3 个答案:

随机选择观察结果：

选择前20个障碍物：