Przykładowe losowe wiersze w ramce danych

333

Mam problem ze znalezieniem odpowiedniej funkcji, która zwróciłaby określoną liczbę losowo pobranych wierszy bez zamiany z ramki danych w języku R? Czy ktoś może mi pomóc?

nikhil
źródło

Odpowiedzi:

445

Najpierw zrób kilka danych:

> 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

Następnie wybierz losowo niektóre wiersze:

> df[sample(nrow(df), 3), ]
           X1         X2
9  -0.3983045  0.7157506
2  -1.1334614 -0.1973846
10 -0.9060305  2.3234110
John Colby
źródło
4
@nikhil Zobacz tutaj i tutaj na początek. Możesz także wpisać ?samplew konsoli R, aby przeczytać o tej funkcji.
joran
10
Czy ktoś może wyjaśnić, dlaczego próbka (df, 3) nie działa? Dlaczego potrzebujesz df [sample (nrow (df), 3),]?
stackoverflowuser2010
5
@ stackoverflowuser2010, możesz wpisać? sample i zobaczyć, że pierwszym argumentem w funkcji przykładowej musi być wektor lub dodatnia liczba całkowita. Nie sądzę, żeby data.frame działała w tym przypadku jako wektor.
David Braun
9
Pamiętaj, aby ustawić swoje nasiona (np. set.seed(42)) Za każdym razem, gdy chcesz odtworzyć tę konkretną próbkę.
CousinCocaine
2
sample.intbyłoby nieco szybsze Wierzę:library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 )
Ari B. Friedman
199

Odpowiedź udzielona przez Johna Colby'ego jest właściwą odpowiedzią. Jeśli jednak jesteś dplyrużytkownikiem, istnieje również odpowiedź sample_n:

sample_n(df, 10)

losowo pobiera próbki 10 wierszy z ramki danych. Wywołuje sample.int, więc tak naprawdę jest ta sama odpowiedź przy mniejszym pisaniu (i upraszcza użycie w kontekście magrittr, ponieważ ramka danych jest pierwszym argumentem).

Kasterma
źródło
33

Napisz jeden! Podsumowanie odpowiedzi JC daje mi:

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

Teraz popraw to, sprawdzając najpierw, czy n <= nrow (df) i zatrzymując się z błędem.

Spacedman
źródło
33

data.tablePakiet zawiera funkcję DT[sample(.N, M)], M próbek losowych wiersze z tabeli danych 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
źródło
10

Dla kompletności:

dplyr oferuje również pobranie części lub części próbki

df %>% sample_frac(0.33)

Jest to bardzo wygodne np. W uczeniu maszynowym, gdy trzeba wykonać określony współczynnik podziału, taki jak 80%: 20%

Zwinna Fasola
źródło
9

EDYCJA : Ta odpowiedź jest teraz nieaktualna, zobacz zaktualizowaną wersję .

W moim pakiecie R poprawiłem sample, aby zachowywał się zgodnie z oczekiwaniami również dla ramek danych:

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

Jest to osiągnięte poprzez samplemetodę ogólną S3 i zapewnienie niezbędnej (trywialne) funkcji w funkcji. Wezwanie do setMethodnaprawy wszystkiego. Dostęp do oryginalnej implementacji nadal można uzyskać poprzez base::sample.

krlmlr
źródło
1
Co jest nieoczekiwanego w przetwarzaniu ramek danych?
inny ben
2
@adifferentben: Kiedy wzywam sample.default(df, ...)ramkę danych df, pobiera próbki z kolumn ramki danych, ponieważ ramka danych jest implementowana jako lista wektorów o tej samej długości.
krlmlr
Czy Twoja paczka jest nadal dostępna? Pobiegłem install_github('kimisc', 'krlmlr')i dostałem Error: Does not appear to be an R package (no DESCRIPTION). Jakiś sposób na to?
terdon
1
@JorisMeys: uzgodnione, z wyjątkiem części „zgodnie z oczekiwaniami”. To, że ramka danych jest wewnętrznie zaimplementowana jako lista, nie oznacza, że ​​powinna zachowywać się jak jedna. [Operator ramek danych jest kontrprzykładem. Powiedz mi także: Czy kiedykolwiek używałeś kiedyś tylko samplepróbki kolumn z ramki danych?
krlmlr
1
@krlmlr [Operator nie jest kontrprzykładem: iris[2]działa podobnie jak lista iris[[2]]. Albo iris$Species, lapply(iris, mean)... Ramki danych są listy. Spodziewam się, że będą się tak zachowywać. I tak, faktycznie użyłem sample (myDataframe). W zestawie danych, w którym każda zmienna zawiera dane dotyczące ekspresji pojedynczego genu. Twoja konkretna metoda pomaga początkującym użytkownikom, ale także skutecznie zmienia sposób sample()zachowania. Uwaga Używam „zgodnie z oczekiwaniami” z punktu widzenia programisty. Który różni się od ogólnej intuicji. W R jest wiele rzeczy, które nie są zgodne z ogólną intuicją ...;)
Joris Meys,
8

Nieaktualna odpowiedź. Proszę użyć dplyr::sample_frac()lub dplyr::sample_n()zamiast.

W moim pakiecie R jest funkcja przeznaczona sample.rowstylko do tego celu:

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

Ulepszenie samplepoprzez uczynienie go ogólną funkcją S3 było złym pomysłem, zgodnie z komentarzami Jorisa Meysa do poprzedniej odpowiedzi .

krlmlr
źródło
5

Wybierz losową próbkę z typu tabeli w R:

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

nrow bierze tabliczkę i zwraca liczbę wierszy. Pierwszy przekazany parametr sampleto zakres od 1 do końca twojej tabliczki. Drugi parametr przekazany do próbki, 150, określa liczbę losowych próbkowania. Krojenie w nawiasach kwadratowych określa wiersze zwróconych indeksów. Zmienna „a” pobiera wartość losowego próbkowania.

Eric Leschinski
źródło
3

Możesz to zrobić:

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

Powyżej właśnie utworzyłem ramkę danych z 10 kolumnami i 100 wierszami, dobrze?

Teraz możesz spróbować z 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
źródło
1

Jestem nowy w R, ale używałem tej prostej metody, która działa dla mnie:

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

PS: Nie krępuj się zauważyć, że ma to jakąś wadę, o której nie myślę.

Leopoldo Sanczyk
źródło
0

Możesz to zrobić:

sample_data = data[sample(nrow(data), sample_size, replace = FALSE), ]
Mohammad
źródło