Question

我有一个如下所示格式的数据框。这些病例已预先聚类成不同人群的亚组，包括单身人士。我正在尝试编写一些代码，这些代码将从数据帧中采样（不替换）任何指定数量的行，但尽可能均匀地分布在集群中。

> testdata
   Cluster Name
1        1    A
2        1    B
3        1    C
4        2    D
5        3    E
6        3    F
7        3    G
8        3    H
9        4    I
10       5    J
11       5    K
12       5    L
13       5    M
14       5    N
15       6    O
16       7    P
17       7    Q

例如，如果我要求3行样本，我想从随机3个簇中拉出一个随机行（即每次都不是簇1-3的第一行，尽管这是一个有效的结果）。

可接受的例子：

> testdata_subset
   Cluster Name
1        1    A
5        3    E
12       5    L 

> testdata_subset
   Cluster Name
6        3    F
14       5    N
15       6    O

错误示例：

> testdata_subset
   Cluster Name
6        3    F
8        3    H
13       5    M

同样的想法适用于所示示例数据中的样本大小7（每个群集1个）。对于更高的样本大小，我希望尽可能均匀地从每个群集中绘制，然后在未采样的行中均匀地绘制剩余的群集，依此类推，直到对指定的行数进行采样。

我知道如何不分青红皂白地采样N行：

testdata[sample(nrow(testdata), N),]

但这并不关心集群。我还使用plyr随机抽样每个群集N行：

ddply(testdata,"Cluster", function(z) z[sample(nrow(z), N),])

但是，只要您要求的行数多于群集中的行数（即如果N> 1），则会失败。然后我添加了一个if / else语句来开始处理：

numsamp_per_cluster <- 2

ddply(testdata,"Cluster", function(z) if (numsamp_per_cluster > nrow(z)){z[sample(nrow(z), nrow(z)),]} else {z[sample(nrow(z), numsamp_per_cluster),]})

这有效地将所要求的样本大小限制为每个群集的大小。但在这样做时，它失去了对整体样本量的控制。我希望（但开始怀疑）有一种优雅的方法，使用dplyr或类似的包，可以做这种半随机抽样。无论哪种方式，我都在努力将这些元素联系在一起并解决问题。

Answer 1

策略：首先，您在每个cluster内随机分配订单。该值存储在下面的inside变量中。接下来，您随机选择每个群集的第一个选项的顺序，依此类推（outside变量）。最后，您订购数据框选择第一个选项，然后选择每个集群的第二个选项，打破与outside变量的关联。这样的事情：

set.seed(1)
inside<-ave(seq_along(testdata$Cluster),testdata$Cluster,FUN=function(x) sample(length(x)))
outside<-ave(inside,inside,FUN=function(x) sample(seq_along(x)))
testdata[order(inside,outside),]   
#   Cluster Name
#10       5    J
#15       6    O
#4        2    D
#5        3    E
#9        4    I
#16       7    P
#1        1    A
#13       5    M
#3        1    C
#17       7    Q
#7        3    G
#6        3    F
#14       5    N
#2        1    B
#12       5    L
#8        3    H
#11       5    K

现在，选择生成的data.frame的第一行n行，即可获得您要查找的样本。

Answer 2

Base R选项：您可以从群集的唯一值中随机抽样，然后使用这些值随机抽样名称？不是很优雅但可以在函数中定义。 N是您要从“群集”中绘制的样本数。

sampler <- function(df,n){
  s <- sample(unique(df[,1]),n)
  n <- sapply(s, function(x) sample(df[which(df[,1]==x),2],1,replace=F))
  data.frame(cluster = s, name = n)
}

> sampler(testdata,6)
  cluster name
1       4    I
2       2    D
3       6    O
4       1    A
5       7    Q
6       5    K

Answer 3

这是一个为您进行采样的功能。首先，我创建列表中唯一元素的索引，然后将它们混洗。然后我按照其中的元素数量对列表进行排序，以便我可以为所有类均匀地间隔开。我必须从中制作一个长矢量并选择我想要的多个元素。

200dp

R在M个集群中尽可能均匀地对N行数据帧进行采样（但随机地在

3 个答案: