我有6个类别(阶层)的人口,我希望在每个阶层中取10%作为样本。为此,我采取:
var = c(rep("A",10),rep("B",10),rep("C",3),rep("D",5),"E","F");var
value = rnorm(30)
dat = tibble(var,value);
pop=dat%>%group_by(var)
pop
singleallocperce = slice_sample(pop, prop=0.1);
singleallocperce
与结果:
# A tibble: 2 x 2
# Groups: var [2]
var value
<chr> <dbl>
1 A -1.54
2 B -1.12
但我希望即使在某些阶层中,其中的人口不能达到所取样本的10%至少进行一次观察。我怎么能做到这一点在R使用dplyr包?
另外
此外,如果我想进行比例分配抽样(即权重与每个阶层的子群体成正比,例如A的权重将为:10/30,B为:10/30,C:3/30,D:5/30等),如果子群体不符合要求,保持1个观察值的约束?
可能的方法(注意存在20 x A以检查返回两个)。
library(tidyverse)
# Data (note 20 As)
var = c(rep("A",20),rep("B",10),rep("C",3),rep("D",5),"E","F")
value = rnorm(40)
dat = tibble(var, value)
# Possible approach
dat %>%
group_by(var) %>%
mutate(min = if_else(n() * 0.1 >= 1, n() * 0.1, 1),
random = sample(n())) %>%
filter(random <= min) |>
select(var, value)
#> # A tibble: 7 × 2
#> # Groups: var [6]
#> var value
#> <chr> <dbl>
#> 1 A 0.0105
#> 2 A 0.171
#> 3 B -1.89
#> 4 C 1.89
#> 5 D 0.612
#> 6 E 0.516
#> 7 F 0.185
由reprex包(v2.0.1)创建于2022-06-02
加权版本:
library(tidyverse)
# Data (note 20 As)
var = c(rep("A",20),rep("B",10),rep("C",3),rep("D",5),"E","F")
value = rnorm(40)
dat = tibble(var, value)
# Possible approach
dat %>%
add_count(name = "n_all") %>%
group_by(var) %>%
mutate(
weight = n() / n_all,
min = if_else(n() * weight >= 1, n() * weight, 1),
random = sample(n())
) %>%
filter(random <= min) |>
select(var, value)
#> # A tibble: 16 × 2
#> # Groups: var [6]
#> var value
#> <chr> <dbl>
#> 1 A 0.339
#> 2 A 1.77
#> 3 A -0.145
#> 4 A -0.915
#> 5 A 0.146
#> 6 A 0.896
#> 7 A -0.407
#> 8 A -1.30
#> 9 A 1.22
#> 10 A 0.0527
#> 11 B -0.602
#> 12 B -0.432
#> 13 C -0.0540
#> 14 D -1.45
#> 15 E 1.54
#> 16 F 0.879
由reprex包(v2.0.1)创建于2022-06-09
这是一个可能的解决方案:
sample_func <- function(data) {
standard <- data %>%
group_by(var) %>%
slice_sample(prop = 0.1) %>%
ungroup()
if(!all(unique(data$var) %in% unique(standard$var))) {
mins <- data %>%
filter(!var %in% standard$var) %>%
group_by(var) %>%
slice(1) %>%
ungroup()
}
bind_rows(standard, mins)
}
sample_func(dat)
给了:
var value
<chr> <dbl>
1 A 1.36
2 B -1.03
3 C -0.0450
4 D -0.380
5 E -0.0556
6 F 0.519
假设是,如果您按比例采样并且没有var
的任何样本,则最小阈值将是从var
中采样一条记录(通过使用slice(1)
)。
data.table
library(data.table)
setDT(dat) # make the tibble a data.table
dat[, .SD[sample((1:.N), fifelse(.N >= 10, .N %/% 10, 1))], var]
结果
var value
1: A -0.040487
2: A 0.543354
3: B -1.100892
4: C 0.998006
5: D 0.496898
6: E 0.819967
7: F 0.629236
# Data (note 20 As)
var = c(rep("A",20),rep("B",10),rep("C",3),rep("D",5),"E","F")
value = rnorm(40)
dat = tibble(var, value)