在数据框中随机抽取行

Question

我在寻找适当的函数，可以从R语言中的数据框中随机选取指定数量的行（不重复），你能帮我吗？

- nikhil

Answer 1

首先创建一些数据：

> 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

- John Colby

---

请看这里（http://cran.r-project.org/manuals.html）和这里（http://cran.r-project.org/faqs.html），了解更多信息。您还可以在R控制台中键入“？sample”以了解该函数的详细信息。 - joran

为什么 sample(df,3) 无法运行？为什么需要使用 df[sample(nrow(df), 3), ]？sample(df,3) 是一个错误的语法。正确的写法是 df[sample(nrow(df), 3), ]。这是因为 sample() 函数返回的是数据框的样本向量，而不是整个数据框。因此，我们需要通过在方括号内使用逗号来指定所需的行和列来选择包含完整行的子集。 - stackoverflowuser2010

@stackoverflowuser2010，你可以输入 ?sample 来查看sample函数的第一个参数必须是向量或正整数。我认为在这种情况下，数据框不适用作向量。 - David Braun

记得每次想要重现特定样本时，设置你的种子（例如 set.seed(42)）。 - CousinCocaine

我相信 sample.int 会稍微快一些：library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 ) - Ari B. Friedman

Answer 2

John Colby 给出的答案是正确的答案。但是，如果你是 dplyr 的用户，还有一个答案是 sample_n：

sample_n(df, 10)

从数据框中随机抽取10行。它调用sample.int，因此实际上是相同的答案，但输入更少（并简化了在magrittr上下文中使用，因为数据框是第一个参数）。

- kasterma

---

从 dplyr 1.0.0 开始，sample_n（和 sample_frac）被 slice_sample 取代，但它们现在仍然存在。 - Matt_B

这似乎是无重复抽样，因此也会输出一个大小为min(nrow(df), 10)的样本，所以这可能不是所需的。 - user11130854

Answer 3

data.table包提供了函数DT[sample(.N, M)]，可以从数据表DT中随机抽取M行数据。

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

Answer 4

写一个！使用JC的答案进行包装给了我：

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

现在通过首先检查n<=nrow(df)并停止错误来改进它。

- Spacedman

Answer 5

仅为完整性而言:

dplyr还提供通过抽取比例或分数来绘制样本的功能

df %>% sample_frac(0.33)

这非常方便，例如在机器学习中，当你需要做特定的分割比例，如80%：20%时。

- Agile Bean

Answer 6

如@matt_b所指示，sample_n()和sample_frac()已被软弃用，建议使用slice_sample()。请参见dplyr文档。

docstring中的示例：

# slice_sample() allows you to random select with or without replacement
mtcars %>% slice_sample(n = 5)
mtcars %>% slice_sample(n = 5, replace = TRUE)

- M_Merciless

Answer 7

过时的回答。请改用dplyr :: sample_frac（）或dplyr :: sample_n（）。

在我的R包中，有一个函数sample.rows专门用于此目的：

<code>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
</code>

根据Joris Meys在之前的答案中的评论，通过将sample变成通用S3函数来增强它是个坏主意。

- krlmlr

---

?sample_frac 的一条注释： "[已被取代] ‘sample_n()’ 和 ‘sample_frac()’ 已被取代，推荐使用 ‘slice_sample()’" - quickshiftin

Answer 8

编辑：这个答案现在已经过时了，请看更新版本。

在我的R包中，我增强了sample函数，使其在处理数据框时也能按预期运行：

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

这是通过将sample作为S3通用方法并在一个函数中提供必要的（微不足道的）功能来实现的。调用setMethod即可解决所有问题。原始实现仍然可以通过base::sample访问。

- krlmlr

---

它对数据框的处理有什么意外之处？ - a different ben

当我为数据框df调用sample.default(df, ...)时，它从数据框的列中进行抽样，因为数据框是由相同长度的向量列表实现的。 - krlmlr

@krlmlr 我不同意你的观点。你的包中有很好的功能，但是sample()函数在数据框上的表现是符合预期的。你混淆了数据框和矩阵。它们不同。数据框是一个列表。虽然这种方式并不直观，但是太多人从未意识到数据框是一个列表。另外请注意，安装你的包可能会破坏依赖于sample()原始行为的其他代码。 - Joris Meys

@JorisMeys：同意，除了“按预期”这部分。仅仅因为数据框在内部被实现为列表，并不意味着它应该像列表一样行为。数据框的[运算符就是一个反例。另外，请告诉我：你有没有只使用过一次sample从数据框中抽取列？ - krlmlr

@krlmlr 运算符 [ 不是反例：iris[2] 的工作方式类似于列表，iris[[2]] 也是如此。或者 iris$Species，lapply(iris, mean)，... 数据框架是列表。所以我希望它们的行为像列表一样。是的，我确实使用过 sample(myDataframe)。在一个数据集中，每个变量都包含单个基因的表达数据。你提供的方法对新手用户很有帮助，但也有效地改变了 sample() 的行为方式。请注意，我从程序员的角度使用了“按预期”的说法。这与一般直觉不同。在 R 中有很多东西与一般直觉不兼容... ;) - Joris Meys

Answer 9

你可以这样做：

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

上面我只是创建了一个包含10列和100行的数据框，好吗？

现在你可以使用 sample_n 来对其进行抽样：

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

Answer 10

在tidyverse中，2021年完成此操作的方法是：

library(tidyverse)

df = data.frame(
  A = letters[1:10],
  B = 1:10
)

df
#>    A  B
#> 1  a  1
#> 2  b  2
#> 3  c  3
#> 4  d  4
#> 5  e  5
#> 6  f  6
#> 7  g  7
#> 8  h  8
#> 9  i  9
#> 10 j 10

df %>% sample_n(5)
#>   A  B
#> 1 e  5
#> 2 g  7
#> 3 h  8
#> 4 b  2
#> 5 j 10

df %>% sample_frac(0.5)
#>   A  B
#> 1 i  9
#> 2 g  7
#> 3 j 10
#> 4 c  3
#> 5 b  2

^{本示例是使用 reprex包（v2.0.0.9000）创建的，创建日期为2021年10月5日。}

- abalter