时间戳

首页 > 解决方案 > 使用 if 语句和相似数量的样本进行 R 采样

r - 使用 if 语句和相似数量的样本进行 R 采样

问题描述

我需要从我的数据框中创建一个示例，为此我使用下面的代码。

 name <- sample(c("Adam","John","Henry","Mike"),100,rep = TRUE)
 area <- sample(c("run","develop","test"),100,rep = TRUE)
 id <- sample(100:200,100,rep = FALSE)

 mydata <- as.data.frame(cbind(id,area,name))


qcsample <- mydata %>%
  group_by(area) %>% 
  nest() %>%            
  mutate(n = c(20, 15, 15)) %>% 
  mutate(samp = map2(data, n, sample_n)) %>% 
  select(area, samp) %>%
  unnest()

现在，我得到了这些结果。

table(qcsample$area) 

develop     run    test 
     15      15      20

--

table(qcsample$name)

Adam Henry  John  Mike 

    9     9    16    16

我想创建一个样本，每个名称的样本数量或多或少相同，例如。亚当 - 12 岁，亨利 - 12 岁，约翰 - 13 岁，迈克 - 13 岁。我怎样才能做到这一点？我可以以某种方式要求样本平均分布吗？

另外，在这个例子中，我使用了函数

样本_n

和指定数量的样本。

我预计有时不会有来自给定组的必需号码。在我的示例中，我从名为“test”的区域抽取 20 个样本，但有时只有 10 行包含“test”。总数是 50，所以我需要确保是否只有 10 个“测试”代码必须自动增加其他代码，所以示例将是“测试” - 10，“运行” - 20 和“开发” - 20 . 这可能发生在任何区域，所以我需要测试是否有足够的行来创建样本并增加其他区域。如果只有 1 个，则可以将其添加到任何剩余区域，或者如果差值为 3，我们将一个区域添加 1，将另一个区域添加 2。

考虑到所有可能性，我怎么能检查呢？我相信在这种情况下有八种排列。

在此先感谢 A。

标签： rif-statementconditionaldistributionsample

解决方案

如果您使用的是虚构的数据，那么您可以创建每行的最小数量，然后创建填充以使您达到总数：

set.seed(42)

names <- c("Adam", "John", "Henry", "Mike")
areas <- c("run", "develop", "test")

totalrows <- 100
minname   <-  22 # No less than 20 of each name (set to near threshold to test)
minarea   <-  30 # No less than 30 of each area (less randomness the higher these are)

qcsample <- data.frame(
  name=sample(c(rep(names, minname), sample(names, totalrows-length(names)*minname, replace=T))),
  area=sample(c(rep(areas, minarea), sample(areas, totalrows-length(areas)*minarea, replace=T))),
  id=sample(99+(1:totalrows))
)

这导致：

R> table(qcsample$name)

 Adam Henry  John  Mike 
   23    28    24    25 
R> table(qcsample$area)

develop     run    test 
     37      31      32

请注意，nameto的计数area不受限制：

R> table(qcsample[,-3])
       area
name    develop run test
  Adam        5  11    7
  Henry      11   8    9
  John       10   7    7
  Mike       11   5    9
R>

使用@r2evans 建议的循环：

library(dplyr)
set.seed(42)

mydata <- data.frame(
  name = sample(c("Adam","John","Henry","Mike"), 100, rep = TRUE),
  area = sample(c("run","develop","test"), 100, rep = TRUE),
  id   = sample(100:200, 100, rep = FALSE)
)

Nsamples <- 50
mysample <- data.frame(sample_n(mydata, Nsamples))

minname <- 11  # max is 50/4 -> 12 
minarea <- 15  # max is 50/3 -> 16

# the test you were asking about
while( (min(table(mysample$name)) < minname) || (min(table(mysample$area)) < minarea) ) {
  mysample <- data.frame(sample_n(mydata, Nsamples))
}

这导致：

R> table(mysample$name)

 Adam Henry  John  Mike 
   13    15    11    11 

R> table(mysample$area)

develop     run    test 
     15      17      18

而且，像以前一样，区域没有最低限度的名称。

R> table(mysample[-3])
       area
name    develop run test
  Adam        4   3    6
  Henry       2   6    7
  John        4   4    3
  Mike        5   4    2

如果您需要为每个排列强制执行最小数量，请将其添加到测试中：

while(... || (min(table(mysample[-3])) < some_min)) {

顺便说一句，从表格中可以看出，排列的数量是名称的数量乘以区域的数量。

推荐阅读