在数据框中采样随机行


333

我正在努力寻找合适的函数,该函数将返回指定数量的行,这些行将随机抽取而不用R语言的数据帧替换?谁能帮我吗?

Answers:


445

首先做一些数据:

> 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

然后随机选择一些行:

> df[sample(nrow(df), 3), ]
           X1         X2
9  -0.3983045  0.7157506
2  -1.1334614 -0.1973846
10 -0.9060305  2.3234110

4
@nikhil请参见此处此处的入门指南。您也可以?sample在R控制台中键入以了解该功能。
joran 2011年

10
有人可以解释为什么sample(df,3)不起作用吗?为什么需要df [sample(nrow(df),3),]?
stackoverflowuser2010

5
@ stackoverflowuser2010,您可以键入?sample并看到sample函数中的第一个参数必须是向量或正整数。我不认为data.frame在这种情况下可以用作向量。
大卫·布劳恩2014年

9
请记住,set.seed(42)每次要复制特定样本时都要设置种子(例如)。
CousinCocaine 2014年

2
sample.int我相信会更快一些:library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 )
Ari B. Friedman

199

John Colby给出的答案是正确的答案。但是,如果您是dplyr用户,那么还会给出答案sample_n

sample_n(df, 10)

从数据框中随机采样10行。它调用sample.int,所以键入少的问题确实是相同的答案(并且由于数据帧是第一个参数,因此在magrittr的上下文中简化了用法)。


33

写一个!包装JC的答案给我:

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

现在,通过首先检查n <= nrow(df)并以错误停止,使其变得更好。


33

data.table程序包提供了DT[sample(.N, M)]从数据表中采样M个随机行的功能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

10

出于完整性考虑:

dplyr还提供通过以下方式抽取一部分或一部分样品的方法:

df %>% sample_frac(0.33)

这非常方便,例如在机器学习中,当您必须执行一定的拆分比例(例如80%:20%)时


9

编辑:此答案现在已过时,请参阅更新的版本

我的R包中,我进行了增强sample,以使其现在对于数据帧也表现出预期的效果:

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

这是通过采用sampleS3通用方法并在功能中提供必要的(简单的)功能来实现的。setMethod修复所有问题的电话。仍然可以通过访问原始实现base::sample


1
它对数据帧的处理有什么意外之处?
2013年

2
@adifferentben:当我要求sample.default(df, ...)数据帧时df,它从数据帧的中采样,因为数据帧被实现为具有相同长度的向量的列表。
krlmlr

您的包裹仍然可用吗?我奔跑install_github('kimisc', 'krlmlr')Error: Does not appear to be an R package (no DESCRIPTION)。可以解决吗?
13年

1
@JorisMeys:同意,但“预期”部分除外。仅仅因为数据帧在内部被实现为列表,并不意味着它应该表现为一个。[数据帧的运算符是一个反例。另外,请告诉我:您是否曾经一次sample从数据框中采样列?
krlmlr 2013年

1
@krlmlr [运算符不是反例:iris[2]像列表一样工作iris[[2]]。或iris$Species,,lapply(iris, mean)...数据框为列表。所以我希望他们表现得像他们。是的,我实际上已经使用了sample(myDataframe)。在每个变量都包含单个基因的表达数据的数据集上。您的特定方法可以帮助新手用户,也可以有效地改变其sample()行为方式。注意我从程序员的角度使用“按预期”。这与一般直觉不同。R中有很多内容与一般直觉不兼容...;)
Joris Meys 2013年

8

过时的答案。请使用dplyr::sample_frac()dplyr::sample_n()代替。

我的R包中,有一个函数sample.rows专门用于此目的:

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

sample根据Joris Meys对先前答案的评论,通过使其成为通用S3功能来增强并不是一个好主意。


5

从R中的小标题类型中选择一个随机样本:

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

nrow进行小标题并返回行数。传递给的第一个参数sample的范围是1到小标题的结尾。传递给样本的第二个参数150是所需的随机抽样数。方括号切片指定返回索引的行。变量“ a”获得随机采样的值。


3

您可以这样做:

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

上面我只是制作了一个10列100行的数据框,好吗?

现在,您可以使用以下示例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

1

我是R语言的新手,但我正在使用适用于我的简单方法:

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

PS:请随时注意它是否存在一些我没有考虑的缺点。


0

您可以这样做:

sample_data = data[sample(nrow(data), sample_size, replace = FALSE), ]
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.