Question

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？

Answer 1

更新

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
```

原始答案

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

Answer 2

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

带约束的分层抽样

2 个答案:

更新

原始答案