Muestreo aleatorio estratificado a partir del marco de datos.
Tengo un marco de datos en el formato:
head(subset)
# ants 0 1 1 0 1
# age 1 2 2 1 3
# lc 1 1 0 1 0
Necesito crear un nuevo marco de datos con muestras aleatorias según la edad y el lc. Por ejemplo, quiero 30 muestras de age:1 y lc:1, 30 muestras de age:1 y lc:0, etc.
Miré un método de muestreo aleatorio como;
newdata <- function(subset, age, 30)
Pero no es el código que quiero.
Sugeriría usar stratifieddesde mi paquete "splitstackshape" o sample_ndesde el paquete "dplyr":
## 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)
Para stratified, básicamente especifica el conjunto de datos, las columnas estratificadoras y un número entero que representa el tamaño que desea de cada grupo O un decimal que representa la fracción que desea que se devuelva (por ejemplo, .1 representa el 10% de cada grupo).
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
Primero sample_ncrea una tabla agrupada (usando group_by) y luego especifica el número de observaciones que deseas. Si en su lugar quisiera un muestreo proporcional, debería usar sample_frac.
library(dplyr)
set.seed(1)
out2 <- d %>%
group_by(age, lc) %>%
sample_n(30)
# table(out2$age, out2$lc)
Aquí hay algunos datos:
set.seed(1)
n <- 1e4
d <- data.frame(age = sample(1:5,n,TRUE),
lc = rbinom(n,1,.5),
ants = rbinom(n,1,.7))
Quiere una estrategia de división, aplicación y combinación, en la que splitsu marco de datos ( den este ejemplo), muestree filas/observaciones de cada submuestra y luego combine y vuelva a juntar con rbind. Así es como funciona:
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)
El resultado:
> 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
