dplyr sample_n 其中 n 是分组变量的值

Question

我有以下分组数据框，我想使用函数 dplyr::sample_n 为每个组从该数据框中提取行。我想使用每个组中分组变量 NDG 的值作为从每个组中提取的行数。

> dg.tmp <- structure(list(Gene = c("CAMK1", "GHRL", "TIMP4", "CAMK1", "GHRL", 
"TIMP4", "ARL8B", "ARPC4", "SEC13", "ARL8B", "ARPC4", "SEC13"
), GLB = c(3, 3, 3, 3, 3, 3, 10, 10, 10, 10, 10, 10), NDG = c(1, 
1, 1, 2, 2, 2, 1, 1, 1, 2, 2, 2)), class = c("tbl_df", "tbl", 
"data.frame"), row.names = c(NA, -12L), .Names = c("Gene", "GLB", 
"NDG"))

> dg <- dg.tmp %>% 
     dplyr::group_by(GLB,NDG)

> dg
Source: local data frame [12 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    ABTB1   3   1
3     AHSG   3   1
4    A4GNT   3   2
5    ABTB1   3   2
6     AHSG   3   2
7    AADAC  10   1
8  ABHD14B  10   1
9   ACVR2B  10   1
10   AADAC  10   2
11 ABHD14B  10   2
12  ACVR2B  10   2

例如，假设随机选择正确，我想要代码

> dg %>% dplyr::sample_n(NDG)

输出：

Source: local data frame [6 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    A4GNT   3   2
3    ABTB1   3   2
4    AADAC  10   1
5    AADAC  10   2
6  ABHD14B  10   2

但是，它给出了以下错误：

Error in eval(expr, envir, enclos) : object 'NDG' not found

通过比较，dplyr::slice在我使用代码

时给出了正确的输出

> dg %>% dplyr::slice(1:unique(NDG))

它是在这种情况下使用unique有点hackish，但是，代码

> dg %>% dplyr::slice(1:NDG)

returns以下警告信息

Warning messages:
1: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
2: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
3: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used
4: In slice_impl(.data, dots) :
  numerical expression has 3 elements: only the first used

显然是因为 NDG 被评估（在适当的环境中）为 c(1,1,1) 或 c(2,2,2)，因此 1:NDG returns 上述警告。

关于我报错的原因，我知道Hadley用于方法sample_n.grouped_df的代码是

sample_n.grouped_df <- function(tbl, size, replace = FALSE, weight = NULL,
  .env = parent.frame()) {

  assert_that(is.numeric(size), length(size) == 1, size >= 0)
  weight <- substitute(weight)

  index <- attr(tbl, "indices")
  sampled <- lapply(index, sample_group, frac = FALSE,
    tbl = tbl, size = size, replace = replace, weight = weight, .env = .env)
  idx <- unlist(sampled) + 1

  grouped_df(tbl[idx, , drop = FALSE], vars = groups(tbl))
}

里面可以查到相关的Github page。因此我得到了错误，因为 sample_n.grouped_df 找不到变量 NGD 因为它没有在正确的环境中查找。

因此，有没有一种巧妙的方法可以在 dg 上使用 sample_n 来获得

Source: local data frame [6 x 3]
Groups: GLB, NDG

      Gene GLB NDG
1    A4GNT   3   1
2    A4GNT   3   2
3    ABTB1   3   2
4    AADAC  10   1
5    AADAC  10   2
6  ABHD14B  10   2

通过对每组进行随机抽样？

Answer 1

一个可能的答案，但我不认为这是最佳答案：用 dplyr::sample_frac（和 1 的分数）置换数据框的行，然后切片所需的行数：

> set.seed(1)
> dg %>% 
      dplyr::sample_frac(1) %>%
      dplyr::slice(1:unique(NDG))

这给出了正确的输出。

Source: local data frame [6 x 3]
Groups: GLB, NDG

    Gene GLB NDG
1  A4GNT   3   1
2   AHSG   3   2
3  A4GNT   3   2
4 ACVR2B  10   1
5  AADAC  10   2
6 ACVR2B  10   2

而且我想如果有必要，我可以只写一个函数来在一行中执行此操作。

Answer 2

这里有一个备选答案，尽管上面那个看起来不错：

dg %>% 
  sample_frac(1) %>%
  filter(row_number() <= NDG) %>%
  arrange(NDG)

Source: local data frame [6 x 3]
Groups: GLB, NDG

     Gene GLB NDG
1    AHSG   3   1
2   ABTB1   3   2
3    AHSG   3   2
4 ABHD14B  10   1
5   AADAC  10   2
6 ABHD14B  10   2

sample_frac 重新排序数据帧，并为每个组分配新的行号，然后您只需取第一个 NDG 行数。 arrange 除了重新排序您的数据以使其看起来像您想要的输出之外什么都不做。

Answer 3

我运行使用分组 dfs 解决了同样的问题，并记得在 purrr 中有一种非常优雅的方法可以做到这一点，如 this very helpful tutorial:

中所述

library(purrr)

dg.tmp %>% 
  nest(-GLB, -NDG) %>% 
  mutate(data = map2(data, NDG, sample_n)) %>% 
  unnest

一个优点是它不需要像 sample_frac 那样对所有数据行进行排列，这对于大型数据帧来说可能非常昂贵。

dplyr sample_n 其中 n 是分组变量的值

dplyr sample_n where n is the value of a grouped variable

r

dplyr