Question

我有一个简单的问题可以用肮脏的方式解决，但我正在寻找一种使用data.table的简洁方法

我有以下data.table个n列属于m个不相等的群组。这是我的data.table的一个例子：

dframe   <- as.data.frame(matrix(rnorm(60), ncol=30))
cletters <- rep(c("A","B","C"), times=c(10,14,6))
colnames(dframe) <- cletters


           A           A          A           A           A          A
1 -0.7431185 -0.06356047 -0.2247782 -0.15423889 -0.03894069  0.1165187
2 -1.5891905 -0.44468389 -0.1186977  0.02270782 -0.64950716 -0.6844163
          A         A          A          A         B         B          B
1 -1.277307 1.8164195 -0.3957006 -0.6489105 0.3498384 -0.463272  0.8458673
2 -1.644389 0.6360258  0.5612634  0.3559574 1.9658743  1.858222 -1.4502839
           B          B          B         B          B           B          B
1  0.3167216 -0.2919079  0.5146733 0.6628149  0.5481958 -0.01721261 -0.5986918
2 -0.8104386  1.2335948 -0.6837159 0.4735597 -0.4686109  0.02647807  0.6389771
           B          B           B          B          C           C
1 -1.2980799  0.3834073 -0.04559749  0.8715914  1.1619585 -1.26236232
2 -0.3551722 -0.6587208  0.44822253 -0.1943887 -0.4958392  0.09581703
           C          C          C         C
1 -0.1387091 -0.4638417 -2.3897681 0.6853864
2  0.1680119 -0.5990310  0.9779425 1.0819789

我想要做的是采用列的随机子集（特定大小），每组保持相同的列数（如果所选的样本大小大于属于一个组的列数，取这个小组的所有专栏。）

我已经尝试了此问题中提到的方法的更新版本：

sample rows of subgroups from dataframe with dplyr

但我无法将列名映射到by参数。

有人可以帮我这个吗？

Answer 1

这是另一种方法，IIUC：

idx <- split(seq_along(dframe), names(dframe))
keep <- unlist(Map(sample, idx, pmin(7, lengths(idx))))

dframe[, keep]

说明：

第一步根据列名分割列索引：

idx
# $A
# [1]  1  2  3  4  5  6  7  8  9 10
# 
# $B
# [1] 11 12 13 14 15 16 17 18 19 20 21 22 23 24
# 
# $C
# [1] 25 26 27 28 29 30

在下一步中我们使用

pmin(7, lengths(idx))
#[1] 7 7 6

确定每个组中的样本大小，并使用idx将其应用于Map中的每个列表元素（组）。然后，我们将结果取消列表以获得列索引的单个向量。

Answer 2

不确定您是否需要使用dplyr的解决方案，但此处只有lapply的解决方案：

dframe   <- as.data.frame(matrix(rnorm(60), ncol=30))
cletters <- rep(c("A","B","C"), times=c(10,14,6))
colnames(dframe) <- cletters

# Number of columns to sample per group
nc <- 8


res <- do.call(cbind,
       lapply(unique(colnames(dframe)),
              function(x){
                         dframe[,if(sum(colnames(dframe) == x) <= nc) which(colnames(dframe) == x) else sample(which(colnames(dframe) == x),nc,replace = F)]
                         }
))

它可能看起来很复杂，但如果小于nc，它实际上只占用每个组的所有列;如果超过nc，则会对随机nc列进行采样列。

为了恢复你原来的列名方案，gsub可以解决这个问题：

colnames(res) <- gsub('.[[:digit:]]','',colnames(res))

基于列组的列的随机抽样

2 个答案: