Échantillonnage aléatoire stratifié à partir d'une base de données

J'ai un bloc de données dans le format:

head(subset)
# ants  0 1 1 0 1 
# age   1 2 2 1 3
# lc    1 1 0 1 0

J'ai besoin de créer un nouveau bloc de données avec des échantillons aléatoires en fonction de l'âge et de la lc. Par exemple je veux 30 échantillons à partir de l'âge:1 et lc:1, 30 échantillons à partir de l'âge:1 et lc:0 etc.

J'ai regardé aléatoire de la méthode d'échantillonnage;

newdata <- function(subset, age, 30)

Mais il n'est pas le code que je veux.

source d'informationauteur user3525533

  1. 24

    Je vous recommande d'utiliser soit stratified de mon "splitstackshape", ou sample_n de la "dplyr" package:

    ## Sample data
set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T), 
                lc = rbinom(n, 1 , .5),
                ants = rbinom(n, 1, .7))
# table(d$age, d$lc)

    Pour stratifiedvous avez essentiellement de spécifier le jeu de données, la stratification des colonnes, et un entier représentant la taille que vous voulez à partir de chaque groupe OU d'un décimal correspond à la fraction que vous voulez retourner (par exemple, .1 représente 10% de chaque groupe).

    library(splitstackshape)
set.seed(1)
out <- stratified(d, c("age", "lc"), 30)
head(out)
#    age lc ants
# 1:   1  0    1
# 2:   1  0    0
# 3:   1  0    1
# 4:   1  0    1
# 5:   1  0    0
# 6:   1  0    1

table(out$age, out$lc)
#    
#      0  1
#   1 30 30
#   2 30 30
#   3 30 30
#   4 30 30
#   5 30 30

    Pour sample_n vous d'abord créer un groupe de table (à l'aide de group_by), puis spécifiez le nombre d'observations que vous voulez. Si vous voulais échantillonnage proportionnel au lieu de cela, vous devez utiliser sample_frac.

    library(dplyr)
set.seed(1)
out2 <- d %>%
  group_by(age, lc) %>%
  sample_n(30)

# table(out2$age, out2$lc)
  2. 15

    Voici quelques données:

    set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

    Vous voulez une scission s'appliquent-combiner stratégie, où vous split vos données.cadre (d dans cet exemple), des exemples de lignes/observations de chaque sous-échantillon, et puis de combiner ensuite avec de l' rbind. Voici comment cela fonctionne:

    sp <- split(d, list(d$age, d$lc))
samples <- lapply(sp, function(x) x[sample(1:nrow(x), 30, FALSE),])
out <- do.call(rbind, samples)

    Le résultat:

    > str(out)
'data.frame':   300 obs. of  3 variables:
 $ age : int  1 1 1 1 1 1 1 1 1 1 ...
 $ lc  : int  0 0 0 0 0 0 0 0 0 0 ...
 $ ants: int  1 1 0 1 1 1 1 1 1 1 ...
> head(out)
         age lc ants
1.0.2242   1  0    1
1.0.4417   1  0    1
1.0.389    1  0    0
1.0.4578   1  0    1
1.0.8170   1  0    1
1.0.5606   1  0    1
  3. 13

    Voir la fonction strata de l'emballage l'échantillonnage. La fonction sélectionne l'échantillonnage aléatoire simple stratifié et donne un exemple de suite. Deux colonnes sont ajoutées - l'inclusion des probabilités (Prob) et les strates de l'indicateur (Stratum). Voir l'exemple.

    require(data.table)
require(sampling)

set.seed(1)
n <- 1e4
d <- data.table(age = sample(1:5, n, T), 
                lc = rbinom(n, 1 , .5),
                ants = rbinom(n, 1, .7))

# Sort
setkey(d, age, lc)

# Population size by strata
d[, .N, keyby = list(age, lc)]
#     age lc    N
#  1:   1  0 1010
#  2:   1  1 1002
#  3:   2  0  993
#  4:   2  1 1026
#  5:   3  0 1021
#  6:   3  1  982
#  7:   4  0  958
#  8:   4  1  940
#  9:   5  0 1012
# 10:   5  1 1056

# Select sample
set.seed(2)
s <- data.table(strata(d, c("age", "lc"), rep(30, 10), "srswor"))

# Sample size by strata
s[, .N, keyby = list(age, lc)]
#     age lc  N
#  1:   1  0 30
#  2:   1  1 30
#  3:   2  0 30
#  4:   2  1 30
#  5:   3  0 30
#  6:   3  1 30
#  7:   4  0 30
#  8:   4  1 30
#  9:   5  0 30
# 10:   5  1 30
  4. 0

    À moins que j'ai mal compris la question, c'est ridiculement facile à faire avec de simples fonctions.

    Étape 1: création d'une strate à l'aide de l'indicateur de la interaction fonction.

    Étape 2: Utilisez tapply sur une séquence de la ligne des indicateurs pour identifier les indices de l'échantillon aléatoire.

    Étape 3: créer un sous-ensemble de données avec ces indices

    En utilisant les données de l'exemple de @Thomas:

    set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE), 
                lc = rbinom(n,1,.5),
                ants = rbinom(n,1,.7))

## stratum indicator
d$group <- interaction(d[, c('age', 'lc')])

## sample selection
indices <- tapply(1:nrow(d), d$group, sample, 30)

## obtain subsample
subsampd <- d[unlist(indices, use.names = FALSE), ]

    Vérifier la stratification

    > table(subsampd$group)

1.0 2.0 3.0 4.0 5.0 1.1 2.1 3.1 4.1 5.1 
 30  30  30  30  30  30  30  30  30  30