我是R的新手,所以只跟我一起。
所以我试图以这样的方式进行分层抽样:它将使用2列分层,但两列都满足特定值。
这是我的代码:
library(splitstackshape)
set.seed(1)
dat1 <- data.frame(ID = 1:100,
A = sample(c("AA", "BB", "CC", "DD", "EE"), 100, replace = TRUE),
B = sample(c(30,40,50),100,replace = TRUE), C = sample(c(1:10),100,replace = TRUE),
D = sample(c("CA", "NY", "TX"), 100, replace = TRUE),
E = sample(c("M", "F"), 100, replace = TRUE))
stratified(dat1, c("B", "C"), 0.1, select = list(B = 30, C = c(8:10)))
据我所知,这个函数首先生成一个大小为10%的层,然后从中选择那些满足条件B = 30且c在8到10之间的记录。
因此,地层的规模从最初的10%开始减少。
我的问题是,是否有任何方法可以生成一个分层,其中列B的值为30,而C列的值可以在8到10之间 nrow()
得到的样本是原始数据框的10%?
我正在使用“splitstackshape”中的stratified()
。如果stratified()
无法解决此问题,那么还有其他可以执行此类操作的软件包吗?
答案 0 :(得分:1)
继续原始答案中的样本数据,我将使用两个步骤:
创建一个您感兴趣的级别的子集。
sub1 <- as.data.table(dat1)[B == 30 & C %in% 8:10][order(C)]
计算您需要抽样的百分比。在这里,我将最终行数设置为500,因为采样子集时样本数据没有1000行。要获得所需的百分比,它就像所需的行数除以子集中的总行数一样简单......
rows_wanted <- 500
set.seed(2)
out <- stratified(sub1, "C", rows_wanted/nrow(sub1))
## Check how many rows we have per group
out[, .N, .(B, C)]
# B C N
# 1: 30 8 157
# 2: 30 9 169
# 3: 30 10 174
stratified
函数首先过滤数据,然后进行抽样。请考虑以下事项:
library(splitstackshape)
set.seed(1)
n <- 10000
dat1 <- data.frame(ID = sequence(n),
A = sample(c("AA", "BB", "CC", "DD", "EE"), n, replace = TRUE),
B = sample(c(30,40,50),n,replace = TRUE),
C = sample(c(1:10),n,replace = TRUE),
D = sample(c("CA", "NY", "TX"), n, replace = TRUE),
E = sample(c("M", "F"), n, replace = TRUE))
示例,正如您所示。
mySample <- stratified(dat1, c("B", "C"), 0.1, select = list(B = 30, C = 8:10))
nrow(mySample)
# [1] 98
将其与输出中应该包含的行数进行比较:
as.data.table(dat1)[, .N, .(B, C)][B == 30 & C %in% 8:10, list(N = round(N * .1)), .(B, C)][order(C)]
# B C N
# 1: 30 8 31
# 2: 30 9 33
# 3: 30 10 34
将上述内容与stratified
函数的内容进行比较。
mySample[, .N, .(B, C)]
# B C N
# 1: 30 8 31
# 2: 30 9 33
# 3: 30 10 34
答案 1 :(得分:0)
根据您的数据,这似乎无法实现,至少在没有替换的情况下进行抽样。
idx <- which((dat1$B == 30) & (dat1$C %in% 8:10))
idx <- sample(idx, 0.1*nrow(dat1))
Error in sample.int(length(x), size, replace, prob) :
cannot take a sample larger than the population when 'replace = FALSE'
问题是验证这两个条件的行数少于数据的10%。向量idx
的长度仅为5。
idx
#[1] 15 18 43 60 93
dat1[idx, ]
# ID A B C D E
#15 15 DD 30 9 CA F
#18 18 EE 30 10 NY M
#43 43 DD 30 10 NY F
#60 60 CC 30 10 NY M
#93 93 DD 30 10 TX M