r - 如何使用top_n进行条件提取

Question

因此，我的 df 中有一个包含“是”或“否”的列（类别），为了创建更平衡的样本，我想选择前 500 个“是”案例和前 500 个案例的行我的数据集中的“否”。

我试过这段代码：

top_n(df,500, category=="Yes")

但是这个选择所有的情况是的而不是只有前500个我也试过这个但是这给了我一个错误虽然我确信这没有意义

df %>% filter(top_n(500, category == "Yes") & top_n(500, category=="No")) 我需要一些正确方向的帮助

标签： rdplyrsubsettop-n

Answer 1

如果您想随机选择是/否答案，您可以使用以下代码：

#// generate toy data
df <- data.frame(YN = rep(c("yes", "no"),10), val = runif(20, 1, 100))
head(df)
#>    YN      val
#> 1 yes 26.00628
#> 2  no 98.34237
#> 3 yes 68.05788
#> 4  no 21.87011
#> 5 yes 33.92545
#> 6  no 68.74417

#// set random seed for reproducibility
set.seed(123)

#// randomly sample 5 'yes' answers
yes <- df[sample(which(df$YN == "yes"), 5),]
#// randomly sample 5 'no' answers
no <-  df[sample(which(df$YN == "no"), 5),]

#// create new dataframe with sampled answers
df_sub <- rbind(yes, no)
df_sub
#>     YN       val
#> 5  yes 33.925453
#> 19 yes 53.548253
#> 3  yes 68.057878
#> 15 yes 51.029700
#> 11 yes 91.768337
#> 10  no 11.923457
#> 8   no  8.467184
#> 12  no 63.233610
#> 16  no 93.375332
#> 2   no 98.342369

^{由reprex 包（v0.3.0）于 2021-01-07 创建}