r - 为什么 R 'sample' 某些列比其他列多？

Question

我正在测试缺失数据对回归分析的影响。因此，使用模拟数据集，我想从一组指定的列中随机删除一部分观察值(不是整行)。我正在使用“示例”来执行此操作。不幸的是，这使得某些列的缺失值比其他列多得多。请参见下面的示例:

#Data frame with 5 columns, 10 rows
DF = data.frame(A = paste(letters[1:10]),B = rnorm(10, 1, 10), C = rnorm(10, 1, 10), D = rnorm(10, 1, 10), E = rnorm(10,1,10))

#Function to randomly delete a proportion (ProportionRemove) of records per column, for a designated set of columns (ColumnStart - ColumnEnd)
RandomSample = function(DataFrame,ColumnStart, ColumnEnd,ProportionRemove){
  #ci is the opposite of the proportion
  ci = 1-ProportionRemove
  Missing = sapply(DataFrame[(ColumnStart:ColumnEnd)], function(x) x[sample(c(TRUE, NA), prob = c(ci,ProportionRemove), size = length(DataFrame), replace = TRUE)])}

#Randomly sample column 2 - 5 within DF, deleting 80% of the observation per column
Test = RandomSample(DF, 2, 5, 0.8)

我知道这有一个随机因素，但在 10 次试验(10*4 = 40 列)中，17 列没有数据，而在一次试验中，一列仍然有 6 条记录(而不是预计 ~2) - 见下文。

       B         C         D  E
 [1,] NA 24.004402  7.201558 NA
 [2,] NA        NA        NA NA
 [3,] NA  4.029659        NA NA
 [4,] NA        NA        NA NA
 [5,] NA 29.377632        NA NA
 [6,] NA  3.340918 -2.131747 NA
 [7,] NA        NA        NA NA
 [8,] NA 15.967318        NA NA
 [9,] NA        NA        NA NA
[10,] NA -8.078221        NA NA 

总而言之，我想在每列中用 NA 替换一定比例的观察值。

非常感谢任何帮助!!!

Answer 1

这对我来说很有意义。正如@Frank 所建议的(在一条已被删除的评论中......*叹息*)，“随机性”可以给你真正非随机的结果(Dilbert: Tour of Accounting, 2001-10-25)。

如果您想要具有保证比率的随机样本，试试这个:

guaranteedSampling <- function(DataFrame, ProportionRemove) {
  n <- max(1L, floor(nrow(DataFrame) * ProportionRemove))
  inds <- replicate(ncol(DataFrame), sample(nrow(DataFrame), size=n), simplify=FALSE)
  DataFrame[] <- mapply(`[<-`, DataFrame, inds, MoreArgs=list(NA), SIMPLIFY=FALSE)
  DataFrame
}

set.seed(2)
guaranteedSampling(DF[2:5], 0.8)
#           B         C         D        E
# 1        NA        NA        NA       NA
# 2        NA        NA        NA       NA
# 3        NA        NA        NA       NA
# 4  6.792463 10.582938        NA       NA
# 5        NA        NA -0.612816       NA
# 6        NA -2.278758        NA       NA
# 7        NA        NA        NA 2.245884
# 8        NA        NA        NA 5.993387
# 9  7.863310        NA  9.042127       NA
# 10       NA        NA        NA       NA