我有一个数据集，其中每个id有多个样本，可以分层为group变量。我想做随机抽样，按group分层，但不要重复id(即每个id在输出中只出现一次)。
我试图修改一些现有的解决方案，但是，似乎都对数据进行了采样，并包括来自跨组的单个id的多个样本：
- 随机抽样 - 矩阵
- 从数据框分层随机抽样
- R 中的分层随机抽样
- 从数据框分层随机抽样
我已经尝试了以下内容，认为replace = FALSE可能有助于确保每个id仅使用1个样本，但这仍然没有达到我想要的效果。
set.seed(1)
# Data
data <- data.frame(
id = c("A", "C", "B", "D", "E", "F", "A", "A", "B", "B", "B", "D", "D", "E", "E", "F"),
group = c("1", "1", "2", "2", "3", "3", "2", "1", "1", "2", "3", "2", "3", "2", "1", "3"),
length = c("54", "52", "43", "42", "60", "46", "59", "60", "51", "45", "47", "58", "48", "46", "56", "57"))
# Stratified random sampling by group
sample <- data %>%
distinct %>%
group_by(group) %>%
sample_n(2, replace = FALSE) %>%
left_join(data)
sample输出：
id group length
A 1 60
C 1 52
D 2 42
A 2 59
B 3 47
E 3 60
但是，如上所示，id= A在第1 和 2group重复。我想要的理想输出应该是这样的，其中每个id只出现一次，样本按group分层：
id group length
A 1 54
C 1 52
B 2 43
D 2 42
E 3 60
F 3 46
有没有办法定制现有的解决方案，以便在为每个group采样时，如果一个id已经用于另一个group，它将被排除而不是为另一个group采样？我知道我可以在我的代码中添加%>% distinct(id)，但我相信这不再是随机的，因为distinct()只是拿起该id的第一行。感谢您的任何帮助！
我有一个候选解决方案给你，使用for-loops.当然，该解决方案有点尴尬，并且有一些与您提供的数据相关的警告。但是，脚本按预期工作。
# Split by group; this provides
# a list with each group.
data_list <- data %>% split(
f = .$group
)
# shuffle the list to introduce
# randomness
shuffle <- sample(length(data_list))
data_list <- data_list[shuffle]
# Sample from the first indice
# which serves as a baseline for remaining
# samples
sampled_data <- data_list[[1]] %>%
distinct(id, .keep_all = TRUE) %>%
sample_n(2)
for (i in 2:length(data_list)) {
# Proceed to next group
new_data <- data_list[[i]]
indicator <- new_data$id %in% sampled_data$id
sampled_data <- bind_rows(
sampled_data,
new_data[!indicator,] %>% distinct(id, .keep_all = TRUE) %>% group_by(group) %>% sample_n(2)
)
}
如果初始sampled_data具有特定的ids，则此算法使用您提供的data有效，否则，唯一 ID 的可用性将耗尽。
该算法首先使用split将数据拆分为不同的组，然后打乱list的顺序以在distinct函数中引入随机性。
初始采样
我们首先从第一组中获取一个sample，然后作为其余组的基线。
它首先从基线样本中存在的下一个索引中删除所有id。然后将其采样并将其绑定到列表中，并创建一个data.frame.
下一个示例
新data.frame现在由id不同的前两组组成，并从该data.frame中存在的剩余标记中删除id。
最终产品如下;
id group length
1 B 1 51
2 C 1 52
3 D 2 42
4 A 2 59
5 E 3 60
6 F 3 46
显然，如果您提供的数据代表您的实际数据，则算法需要一些润色，因为根据seed，唯一值的可用性会耗尽，具体取决于您的初始id。
我没有提供seed，因为我很难找到合适的。
这是我最后使用的解决方案。
# Randomise rows
set.seed(x) # play around and set seed accordingly
data_rows <- sample(nrow(data))
data2 <- data[data_rows, ]
# Stratified random sampling
set.seed(x) # play around and set seed accordingly
randomised <- data2 %>%
distinct(id, .keep_all = TRUE) %>%
group_by(group) %>%
sample_n(2, replace = FALSE) %>%
ungroup()