使用 sample 函数进行过采样

Question

我想创建一个 mtcars 数据集，其中所有圆柱体都有 100 个观测值。为此，我会抽样替换现有的观察结果。

我试过以下代码，由于某种原因，它没有产生 300 个观察结果。

library(data.table)
mtcars <- data.table(mtcars)
resampling <- list()
set.seed(3)

cyl <- sort(unique(as.character(mtcars$cyl)))
for (i in 1:length(cyl)){

  min_obs_cyl <- 100
  dat_cyl <- mtcars[cyl == as.numeric(cyl[i]) ]
  resampling[[  cyl[i]  ]] <- dat_cyl[sample(1:nrow(dat_cyl),
                                             size = (min_obs_cyl - nrow(mtcars[cyl == cyl[i] ])),
                                                 replace = T),]
}

resampling_df <- do.call("rbind", resampling)
mtcars_oversample <- rbind(mtcars, resampling_df)

我得到了 307 个观察结果。任何人都知道我做错了什么？

Answer 1

对于替代解决方案，您可以使用 dplyr 并执行：

library(dplyr)

mtcars %>%
    group_by(cyl) %>%
    do(sampled = sample_n(., size = 100, replace = TRUE)) %>%
    select(-cyl) %>%
    unnest()

Answer 2

这是使用 dplyr::slice

的另一种方法

mtcars %>%
  group_by(cyl) %>%
  slice(sample(n(), 100, replace = T)) %>%
  ungroup()

Answer 3

我认为在这种情况下，您可以使用 data.table 的 by= 功能在组内进行抽样。 sample 来自每个 cyl 组中的 .I 行计数器，然后使用此行标识符对原始集合中的行进行子select：

mtcars[mtcars[, sample(.I, 100, replace=TRUE), by=cyl]$V1,]
#      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
#  1: 18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
#  2: 17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
#  3: 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
#  4: 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
#  5: 21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
# ---                                                    
#296: 15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
#297: 19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
#298: 19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
#299: 14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
#300: 15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3

如果您需要为每个组指定不同的计数，这里有一个选项。特殊的 .BY 对象将 by= 参数的值存储为列表。

grpcnt <- setNames(c(50,100,70), unique(mtcars$cyl))
#  6   4   8 
# 50 100  70 
mtcars[mtcars[, sample(.I, grpcnt[as.character(.BY[[1]])], replace=TRUE), by=cyl]$V1]

使用 sample 函数进行过采样

Oversampling with sample function

r

sample

resampling