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?
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 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)。
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
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。
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。
sample_n()
和sample_frac()
已被软弃用,建议使用slice_sample()
。请参见dplyr文档。# slice_sample() allows you to random select with or without replacement
mtcars %>% slice_sample(n = 5)
mtcars %>% slice_sample(n = 5, replace = TRUE)
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。
?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
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。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[
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? - krlmlriris[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 Meyslibrary(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
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。
set.seed(42)
)。 - CousinCocainesample.int
会稍微快一些:library(microbenchmark);microbenchmark( sample( 10000, 100 ), sample.int( 10000, 100 ), times = 10000 )
- Ari B. Friedman