Question

我有1250万条记录的数据集，我需要随机选择大约250万条记录。但是，这些人属于55284个小组，我希望保持小组完整。

所以基本上我想删除组，直到我剩下250万条记录，或者选择组，直到我有250万个人为止。

如果这是我的数据：

data <- data.frame(
    id = c(1, 2, 3, 4, 5),
    group = (1, 1, 2, 2, 3)
)

我不想删除id1并保留id2，我想既保留它们又丢弃它们，因为它们在同一group（2）中。因此，理想情况下，此函数随机选择一个组，对这些个体进行计数并将其放入数据集中，然后再次执行相同的操作，不断对个体进行计数，直到拥有约250万（可以说：如果n超过2.5，则停止将组放入新的数据集中。

不幸的是，我还没有找到一个函数，我还不够熟练，无法自己组装一些东西。希望有人能帮助我！

谢谢

Answer 1

评论太久，无法回答。您需要这样的东西吗？

mov %ecx, %edx

对于随机方法，我们可以使用#Order data by group so rows with same groups are together data1 <- data[order(data$group), ] #Get all the groups in first 2.5M entries selected_group <- unique(data1$group[1:2500000]) #Subset those groups so you have all groups intact final_data <- data1[data1$group %in% selected_group, ]循环

while

Answer 2

这是一种可能性。我使用toydata和33（而不是2.5）百万的阈值进行了演示。首先，我创建玩具组矢量：

threshold <- 33
set.seed(111)
mygroups <- rep(1:10, rpois(10, 10))

在此玩具示例中，组1具有10个个体，组2具有8个个体，依此类推。现在，我将各组随机排列，并使用cumsum确定何时超过阈值：

x <- cumsum(table(mygroups)[sample(1:10)])
randomgroups <- as.integer(names(x[x <= threshold]))
randomgroups
[1] 1 7 5

是否有一个R函数可以基于组选择n个个体？

2 个答案: