Veri Çerçevesi'nde rastgele seçim yapın, benzersiz satırlar için

Question

Verilen bir sütun için 10k satır içeren bir veri çerçevem ​​var X Yinelenen değerlerim var, Bu sütunda bu değeri içeren SADECE BİR ROW'i rastgele seçmek için nasıl yapabiliriz?

Answer 1

Sorunuz tamamen açık değil, ancak "yinelenen sınıf" başına bir (rasgele seçilen) satırı koruyarak tüm veri çerçevesini örneklemek istediğinizi varsayalım.

library(plyr) 
subsampled_data <- ddply(mydata,.(X), 
    function(x) { 
      x[sample(nrow(x),size=1),] 
    }) 

gibi bir şey (test edilmemiş!) çalışması yapılmalıdır

Answer 2

Benim ilk içgüdüsü Ben'in zarif ddply çözümü gibi bir şey olurdu. Ancak, artık böyle büyük bir veri setine sahip olduğunuzu bilmek, kesinlikle daha hızlı yollar var.

RemoveDups <- function(df, column) { 
    inds = sample(1:nrow(df)) 
    df = df[inds, ] 

    dups = duplicated(df[, column]) 
    df = df[!dups, ] 
    inds = inds[!dups] 

    df[sort(inds, index=T)$ix, ] 
} 

(birçok benzersiz değerlere sahip burada) bazı verileri simüle:

> system.time(ddply(data, 'X1', function(x) x[sample(nrow(x), size=1), ])) 
    user system elapsed 
    3.264 0.921 4.315 
> system.time(RemoveDups(data, 'X1')) 
    user system elapsed 
    0.375 0.025 0.399 

:

n.row = 10^6 
n.col = 3 

set.seed(12345) 
data = data.frame(matrix(sample(1000, n.row*n.col, replace=T), nrow=n.row)) 

2 yöntemler karşılaştırın İşte birçok kat daha hızlı birçok benzersiz değerler varsa olacak biridir