时间戳

首页 > 解决方案 > 在 R 中使用分层抽样时，有没有办法以总体样本量为目标？

r - 在 R 中使用分层抽样时，有没有办法以总体样本量为目标？

问题描述

我有一个代表 50,000 个模拟的数据集。每个模拟都有多个场景 ID，并且与每个场景 ID 相关联的是称为目标的第二个标识符。前四个模拟可能如下所示：

+----------------------------------------------+
| SIMULATION    |SCENARIO ID   |TARGET ID      |
|               |              |               |
+----------------------------------------------+
|               |              |               |
| 1             | 12           | 11            |
| 1             | 10           | 2             |
| 1             | 1            | 18            |
| 2             | 3            | 9             |
| 2             | 7            | 10            |
| 2             | 21           | 2             |
| 3             | 17           | 15            |
| 3             | 12           | 9             |
| 4             | 7            | 16            |
+---------------+--------------+---------------+

我想将这 50,000 个模拟集抽样成 10,000 个模拟集，同时在每个场景/目标组合的频率方面保留 50,000 个集的最佳表示。

我尝试使用 splitstackshape 包中的分层函数使用分层抽样，并将场景 ID 和目标 ID 设置为一个组。但是我只能指定每组的样本量。

我可以使用从每个组中采样的比例，直到它接近 10,000 次模拟，但这并不理想，因为我需要尽可能自动化。

标签： rdownsampling

解决方案

如果还不算太晚，我可能会提出以下解决方案。

首先，加载库并生成数据集（当然在你的情况下不需要生成数据集）：

    library(data.table)

    # Generate dataset ...
    df = data.table(Simulation = sample(1:4, 60, replace = TRUE),
                    Scenario.ID = sample(1:5, 60, replace = TRUE),
                    Target.ID = sample(1:2, 60, replace = TRUE))
    # ... and sort it
    df = df[order(Simulation, Scenario.ID, Target.ID)]

其次，定义递减比例。在此示例中，我使用 n = 3，在您的情况下，它将是 n = 5 或任何其他适合目标的数字。

n = 3

第三，定义从场景和目标的每个组合中提取的行数。我四舍五入；它们必须是整数。如果四舍五入的数字为零，则取 1 作为样本，以保持场景和目标的每个组合的表示。

group.sample = df[, .N, by = .(Scenario.ID, Target.ID)][, pmax(round(N/n), 1)]
group.sample
 [1] 1 2 2 2 2 2 3 2 3 1

第四，标记要纳入样本的记录（感谢这个答案）。我使用 set.seed 使示例可重现。选择是随机的。

set.seed(1)
df[, Sample := 1:.N %in% sample(.N, min(.N, group.sample[.GRP])), by = .(Scenario.ID, Target.ID)]

head(df[order(Simulation, Scenario.ID, Target.ID)])
       Simulation Scenario.ID Target.ID Sample
    1:          1           1         1  FALSE
    2:          1           1         1   TRUE
    3:          1           1         2  FALSE
    4:          1           2         1  FALSE
    5:          1           2         2  FALSE
    6:          1           3         1  FALSE

第五，将场景和目标组合的原始比例与抽样比例进行比较。逗号后的比例四舍五入为两位数。

df[, .(Original = round(.N/ nrow(df), 2),
       Sampled = round(length(Sample[Sample == TRUE])/df[Sample == TRUE, .N], 2)), 
   by = .(Scenario.ID, Target.ID)]

    Scenario.ID Target.ID Original Sampled
 1:           1         1     0.07    0.05
 2:           1         2     0.10    0.10
 3:           2         1     0.10    0.10
 4:           2         2     0.08    0.10
 5:           3         1     0.12    0.10
 6:           4         1     0.08    0.10
 7:           4         2     0.15    0.15
 8:           5         1     0.08    0.10
 9:           3         2     0.17    0.15
10:           5         2     0.05    0.05

推荐阅读