r - 具有不等大小组的高效递归随机抽样

Question

这个问题是我之前关于递归随机抽样问题的后续问题 Efficient recursive random sampling .当组大小相同或每组需要固定数量的样本时，该线程中的解决方案工作正常。但是，让我们想象一个数据集如下；

   ID1 ID2
1    A   1
2    A   6
3    B   1
4    B   2
5    B   3
6    C   4
7    C   5
8    C   6
9    D   6
10   D   7
11   D   8
12   D   9

我们希望为每个 ID1 随机抽样 最多 n ID2，并以递归方式进行抽样。 递归 这里意味着我们从第一个 ID1 移动到最后一个 ID1，如果 ID2 已经为 ID1 采样，那么它不应该用于后续ID1。假设n = 2，则预期结果如下；

ID1 ID2
1    A   1
2    A   6
4    B   2
5    B   3
6    C   4
7    C   5
11   D   8
12   D   9

• 对于ID1 = "A"，恰好有两个可能的ID2，所以都被选中。
• 对于 ID1 = "B"，还有两个潜在的 ID2 可供选择，因此两个都被选中。
• 对于 ID1 = "C"，还有两个潜在的 ID2 可供选择，因此两个都被选中。
• 对于 ID =“D”，还有三个潜在的 ID2 可供采样，因此从中随机选择两个。

在示例中显示的情况之外还会发生什么；

• 每个 ID1 总是有一个非零数量的 ID2 可用，但是，有可能所有这些 ID2 都已被使用。在在这种情况下，ID1 应该简单地排除在外。
• ID1 可能没有 ID2 的指定 n。在那里面情况下，应检索最接近指定 n 的 n。
• ID 不必是 seq(ID1)。
• ID2 也可以是类似于 ID1 的字符向量。

样本 df;

df <- structure(list(ID1 = c("A", "A", "B", "B", "B", "C", "C", "C", 
"D", "D", "D", "D"), ID2 = c(1, 6, 1, 2, 3, 4, 5, 6, 6, 7, 8, 
9)), class = "data.frame", row.names = c(NA, -12L))

Answer 1

以下功能似乎可以满足您的需求。基本上，它循环遍历每一组 ID1 并选择相应的 ID2 尚未被采样的行。然后它选择不同的行(在某些 ID1 组具有重复的 ID2 值的情况下。样本大小将是 n 中的最小值>，或该组的行数。

sample <- function(df, n) {
  `%notin%` <- Negate(`%in%`)
  groups <- unique(df$ID1)
  out <- data.frame(ID1 = character(), ID2 = character())
  
  for (group in groups) {
    options <- df %>%
      filter(ID1 == group,
             ID2 %notin% out$ID2)
    
    chosen <- sample_n(options,
                       size = min(n, nrow(options))) %>%
      distinct()
    
    out <- rbind(out, chosen)
  }
  
  out
}

set.seed(123)
sample(df, 2)

  ID1 ID2
1   A   1
2   A   6
3   B   2
4   B   3
5   C   4
6   C   5
7   D   8
8   D   9

当一组 ID1 中有 ID2 已经用完的情况:输入:

# A tibble: 10 × 2
   ID1     ID2
   <chr> <dbl>
 1 A         1
 2 A         3
 3 B         1
 4 B         3
 5 C         5
 6 C         6
 7 C         7
 8 C         7
 9 D        10
10 D        20

输出:

sample(df2, 2)
# A tibble: 6 × 2
  ID1     ID2
  <chr> <dbl>
1 A         3
2 A         1
3 C         6
4 C         7
5 D        20
6 D        10