Выборка случайных строк в кадре данных

333

Я изо всех сил пытаюсь найти подходящую функцию, которая будет возвращать указанное количество строк, случайно выбранных без замены из фрейма данных на языке R? Может кто-нибудь мне помочь?

Нихилу
источник

Ответы:

445

Сначала сделайте некоторые данные:

> df = data.frame(matrix(rnorm(20), nrow=10))
> df
           X1         X2
1   0.7091409 -1.4061361
2  -1.1334614 -0.1973846
3   2.3343391 -0.4385071
4  -0.9040278 -0.6593677
5   0.4180331 -1.2592415
6   0.7572246 -0.5463655
7  -0.8996483  0.4231117
8  -1.0356774 -0.1640883
9  -0.3983045  0.7157506
10 -0.9060305  2.3234110

Затем выберите несколько строк случайным образом:

> df[sample(nrow(df), 3), ]
           X1         X2
9  -0.3983045  0.7157506
2  -1.1334614 -0.1973846
10 -0.9060305  2.3234110
Джон Колби
источник
4
@nikhil Смотрите здесь и здесь для начала. Вы также можете набрать ?sampleв консоли R, чтобы прочитать об этой функции.
Джоран
10
Может кто-нибудь объяснить, почему sample (df, 3) не работает? Зачем вам нужен df [sample (nrow (df), 3),])?
stackoverflowuser2010
5
@ stackoverflowuser2010, вы можете ввести? sample и увидеть, что первый аргумент в функции sample должен быть вектором или положительным целым числом. Я не думаю, что data.frame работает как вектор в этом случае.
Дэвид Браун
9
Не забудьте установить свое семя (например set.seed(42)) каждый раз, когда вы хотите воспроизвести этот конкретный образец.
Кузен Кокаин
2
sample.intбыло бы немного быстрее, я верю:library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 )
Ари Б. Фридман
199

Джон Колби дает правильный ответ. Однако, если вы являетесь dplyrпользователем, есть ответ sample_n:

sample_n(df, 10)

случайным образом выбирает 10 строк из кадра данных. Он вызывает sample.int, так что на самом деле это тот же ответ с меньшим набором текста (и упрощает использование в контексте magrittr, так как датафрейм является первым аргументом).

kasterma
источник
33

Напиши один! Заключение ответа JC дает мне:

randomRows = function(df,n){
   return(df[sample(nrow(df),n),])
}

Теперь сделайте это лучше, проверив сначала, если n <= nrow (df) и остановившись с ошибкой.

Spacedman
источник
33

data.tableПакет предоставляет функцию DT[sample(.N, M)], выборки М случайных строк из таблицы данных DT.

library(data.table)
set.seed(10)

mtcars <- data.table(mtcars)
mtcars[sample(.N, 6)]

    mpg cyl  disp  hp drat    wt  qsec vs am gear carb
1: 14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
2: 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
3: 17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
4: 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
5: 22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
6: 15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
gented
источник
10

Просто ради полноты:

dplyr также предлагает нарисовать пропорцию или долю

df %>% sample_frac(0.33)

Это очень удобно, например, в машинном обучении, когда нужно выполнить определенный коэффициент разделения, например, 80%: 20%.

Agile Bean
источник
9

РЕДАКТИРОВАТЬ : Этот ответ устарел, см. Обновленную версию .

В моем пакете R я улучшил его sampleтак, что теперь он ведет себя, как и ожидалось, также для фреймов данных:

library(devtools); install_github('kimisc', 'krlmlr')

library(kimisc)
example(sample.data.frame)

smpl..> set.seed(42)

smpl..> sample(data.frame(a=c(1,2,3), b=c(4,5,6),
                           row.names=c('a', 'b', 'c')), 10, replace=TRUE)
    a b
c   3 6
c.1 3 6
a   1 4
c.2 3 6
b   2 5
b.1 2 5
c.3 3 6
a.1 1 4
b.2 2 5
c.4 3 6

Это достигается созданием sampleуниверсального метода S3 и предоставлением необходимой (тривиальной) функциональности в функции. Призыв setMethodисправить все. Оригинальная реализация все еще может быть доступна через base::sample.

krlmlr
источник
1
Что неожиданного в его обработке кадров данных?
другой бен
2
@adifferentben: Когда я запрашиваю sample.default(df, ...)фрейм данных df, он выбирает из столбцов фрейма данных, так как фрейм данных реализован в виде списка векторов одинаковой длины.
krlmlr
Ваша посылка еще доступна? Я побежал install_github('kimisc', 'krlmlr')и получил Error: Does not appear to be an R package (no DESCRIPTION). Любой способ обойти это?
Тердон
1
@JorisMeys: Согласен, за исключением части "как ожидалось". Тот факт, что фрейм данных реализован как список внутри, не означает, что он должен вести себя как единое целое. [Оператор кадров данных контрпример. Также, пожалуйста, скажите мне: Вы когда-нибудь, только один раз, использовали sampleдля выборки столбцов из фрейма данных?
13
1
@krlmlr Оператор [не является контрпримером: iris[2]работает как список, как и iris[[2]]. Или iris$Species, lapply(iris, mean)... Кадры данных являются списками. Поэтому я ожидаю, что они будут вести себя как они. И да, я действительно использовал образец (myDataframe). В наборе данных, где каждая переменная содержит данные экспрессии одного гена. Ваш конкретный метод помогает начинающим пользователям, но также эффективно меняет sample()поведение. Обратите внимание, я использую «как ожидалось» с точки зрения программиста. Что отличается от общей интуиции. В R много чего не совместимо с общей интуицией ...;)
Joris Meys
8

Устаревший ответ. Пожалуйста, используйте dplyr::sample_frac()или dplyr::sample_n()вместо.

В моем пакете R есть функция как sample.rowsраз для этой цели:

install.packages('kimisc')

library(kimisc)
example(sample.rows)

smpl..> set.seed(42)

smpl..> sample.rows(data.frame(a=c(1,2,3), b=c(4,5,6),
                               row.names=c('a', 'b', 'c')), 10, replace=TRUE)
    a b
c   3 6
c.1 3 6
a   1 4
c.2 3 6
b   2 5
b.1 2 5
c.3 3 6
a.1 1 4
b.2 2 5
c.4 3 6

sampleСогласно комментариям Йориса Мейс к предыдущему ответу, усовершенствование , сделав его универсальной функцией S3, было плохой идеей .

krlmlr
источник
5

Выберите случайную выборку из типа tibble в R:

library("tibble")    
a <- your_tibble[sample(1:nrow(your_tibble), 150),]

Nrow берет tibble и возвращает количество строк. Первый передаваемый параметр sample- это диапазон от 1 до конца вашего шага. Второй параметр, переданный в выборку, 150, это сколько случайных выборок вы хотите. Нарезка квадратной скобкой указывает строки возвращаемых индексов. Переменная 'a' получает значение случайной выборки.

Эрик Лещинский
источник
4

Вы могли бы сделать это:

library(dplyr)

cols <- paste0("a", 1:10)
tab <- matrix(1:1000, nrow = 100) %>% as.tibble() %>% set_names(cols)
tab
# A tibble: 100 x 10
      a1    a2    a3    a4    a5    a6    a7    a8    a9   a10
   <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
 1     1   101   201   301   401   501   601   701   801   901
 2     2   102   202   302   402   502   602   702   802   902
 3     3   103   203   303   403   503   603   703   803   903
 4     4   104   204   304   404   504   604   704   804   904
 5     5   105   205   305   405   505   605   705   805   905
 6     6   106   206   306   406   506   606   706   806   906
 7     7   107   207   307   407   507   607   707   807   907
 8     8   108   208   308   408   508   608   708   808   908
 9     9   109   209   309   409   509   609   709   809   909
10    10   110   210   310   410   510   610   710   810   910
# ... with 90 more rows

Выше я только что создал фрейм данных с 10 столбцами и 100 строками, хорошо?

Теперь вы можете попробовать это sample_n:

sample_n(tab, size = 800, replace = T)
# A tibble: 800 x 10
      a1    a2    a3    a4    a5    a6    a7    a8    a9   a10
   <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
 1    53   153   253   353   453   553   653   753   853   953
 2    14   114   214   314   414   514   614   714   814   914
 3    10   110   210   310   410   510   610   710   810   910
 4    70   170   270   370   470   570   670   770   870   970
 5    36   136   236   336   436   536   636   736   836   936
 6    77   177   277   377   477   577   677   777   877   977
 7    13   113   213   313   413   513   613   713   813   913
 8    58   158   258   358   458   558   658   758   858   958
 9    29   129   229   329   429   529   629   729   829   929
10     3   103   203   303   403   503   603   703   803   903
# ... with 790 more rows
igorkf
источник
1

Я новичок в R, но я использовал этот простой метод, который работает для меня:

sample_of_diamonds <- diamonds[sample(nrow(diamonds),100),]

PS: не стесняйтесь заметить, если у него есть какой-то недостаток, о котором я не думаю.

Леопольдо Санчик
источник
0

Вы могли бы сделать это:

sample_data = data[sample(nrow(data), sample_size, replace = FALSE), ]
Мохаммад
источник