異なるグループからいくつかのサンプルをランダムに選択したい場合は、plyr パッケージと以下のコードを使用します
require(plyr)
sampleGroup<-function(df,size) {
df[sample(nrow(df),size=size),]
}
iris.sample<-ddply(iris,.(Species),function(df) sampleGroup(df,10))
ここでは、各種から 10 個のサンプルを選択します。
一部のデータフレームは非常に大きく、質問は、同じ sampleGroup 関数を dplyr パッケージで使用できるかどうかです。または、dplyr で同じことを行う別の方法はありますか?
編集
dplyr パッケージのバージョン 0.2 では、テーブル sample_n および sample_frac からランダムな行を選択する 2 つの新しい関数が導入されました。
はい、関数 do() によって dplyr をエレガントに使用できます。次に例を示します。
mtcars %>%
group_by(cyl) %>%
do(sample_n(.,2))
そして結果はこんな感じ
Source: local data frame [6 x 11]
Groups: cyl
mpg cyl disp hp drat wt qsec vs am gear carb
1 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
3 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
4 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
5 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
6 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
アップデート：
この関数は、新しいバージョンの dplyr ではdo不要になりました。sample_nグループごとに 2 行のランダム サンプルを取得するための現在のコード:
mtcars %>%
group_by(cyl) %>%
sample_n(2)
これは data.table で簡単に実行でき、大きなテーブルに役立ちます。
注: Troy のコメントで述べたように、data.table を使用してこれを行うより効率的な方法がありますが、回答の OP サンプル関数と形式を尊重したかったのです。
require(data.table)
DT <- data.table(x = rnorm(10e6, 100, 50), y = letters)
sampleGroup<-function(df,size) {
df[sample(nrow(df),size=size),]
}
result <- DT[, sampleGroup(.SD, 10), by=y]
print(result)
# y x y
# 1: a 30.11659 m
# 2: a 57.99974 h
# 3: a 58.13634 o
# 4: a 87.28466 x
# 5: a 85.54986 j
# ---
# 256: z 149.85817 d
# 257: z 160.24293 e
# 258: z 26.63071 j
# 259: z 17.00083 t
# 260: z 130.27796 f
system.time(DT[, sampleGroup(.SD, 10), by=y])
# user system elapsed
# 0.66 0.02 0.69
Using the iris dataset:
iris <- data.table(iris)
iris[,sampleGroup(.SD, 10), by=Species]
それは良い質問です！文書化された構文でそれを行う簡単な方法はわかりませんdplyrが、回避策としてこれはどうですか?
sampleGroup<-function(df,x=1){
df[
unlist(lapply(attr((df),"indices"),function(r)sample(r,min(length(r),x))))
,]
}
sampleGroup(iris %.% group_by(Species),3)
#Source: local data frame [9 x 5]
#Groups: Species
#
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#39 4.4 3.0 1.3 0.2 setosa
#16 5.7 4.4 1.5 0.4 setosa
#25 4.8 3.4 1.9 0.2 setosa
#51 7.0 3.2 4.7 1.4 versicolor
#62 5.9 3.0 4.2 1.5 versicolor
#59 6.6 2.9 4.6 1.3 versicolor
#148 6.5 3.0 5.2 2.0 virginica
#103 7.1 3.0 5.9 2.1 virginica
#120 6.0 2.2 5.0 1.5 virginica
編集 - パフォーマンス比較
これは、1m 行、26 グループに対して data.table (ネイティブと例の関数呼び出しの両方) を使用することに対するテストです。
ネイティブの data.table は、dplyr の回避策とコールアウトを使用した data.table 呼び出しの約 2 倍の速さです。したがって、おそらく dplyr / data.table はほぼ同じパフォーマンスです。
願わくば、dplyr の連中がすぐにサンプリング用のネイティブ構文を提供してくれることを願っています! （または、さらに良いことに、すでに存在している可能性があります）
sampleGroup.dt<-function(df,size) {
df[sample(nrow(df),size=size),]
}
testdata<-data.frame(group=sample(letters,10e5,T),runif(10e5))
dti<-data.table(testdata)
# using the dplyr workaround with external function call
system.time(sampleGroup(testdata %.% group_by(group),10))
#user system elapsed
#0.07 0.00 0.06
#using native data.table
system.time(dti[dti[,list(val=sample(.I,10)),by="group"]$val])
#user system elapsed
#0.04 0.00 0.03
#using data.table with external function call
system.time(dti[, sampleGroup.dt(dti, 10), by=group])
#user system elapsed
#0.06 0.02 0.08
Dplyr 1.0.2 はさまざまな動詞でサブセット化できるようになりました: https://dplyr.tidyverse.org/reference/slice.htmlランダムな slice_sample を含む:
mtcars %>%
slice_sample(n = 10)
カテゴリ別のサンプルに group by を追加します。
mtcars %>%
group_by(cyl) %>%
slice_sample(n = 2)