Amostra de linhas aleatórias no quadro de dados

Estou lutando para encontrar a função apropriada que retornaria um número especificado de linhas selecionadas aleatoriamente sem substituição de um quadro de dados na linguagem R? Alguém pode me ajudar?

Primeiro faça alguns dados:

> 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

Em seguida, selecione algumas linhas aleatoriamente:

> df[sample(nrow(df), 3), ]
           X1         X2
9  -0.3983045  0.7157506
2  -1.1334614 -0.1973846
10 -0.9060305  2.3234110

A resposta que John Colby dá é a resposta certa. No entanto, se você é um dplyrusuário, também há a resposta sample_n:

sample_n(df, 10)

amostras aleatoriamente 10 linhas do quadro de dados. Chama sample.int, então realmente é a mesma resposta com menos digitação (e simplifica o uso no contexto de magrittr, pois o dataframe é o primeiro argumento).

Escreva um! Embrulhar a resposta de JC me dá:

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

Agora melhore, verificando primeiro se n <= nrow (df) e parando com um erro.

O data.tablepacote fornece a função DT[sample(.N, M)], amostrando M linhas aleatórias da tabela de dados DT.

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

Apenas por uma questão de integridade:

O dplyr também oferece desenhar uma proporção ou fração da amostra

df %>% sample_frac(0.33)

Isso é muito conveniente, por exemplo, no aprendizado de máquina, quando você precisa fazer uma certa taxa de divisão, como 80%: 20%

EDIT : Esta resposta está desatualizada, veja a versão atualizada .

No meu pacote R, aprimorei samplepara que agora se comporte como esperado também para quadros de dados:

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

Isso é obtido criando sampleum método genérico S3 e fornecendo a funcionalidade (trivial) necessária em uma função. Uma chamada para setMethodconsertar tudo. A implementação original ainda pode ser acessada base::sample.

Resposta desatualizada. Por favor, use dplyr::sample_frac()ou em dplyr::sample_n()vez disso.

No meu pacote R, existe uma função sample.rowsapenas para este propósito:

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

Melhorar sampletornando-a uma função S3 genérica foi uma má ideia, de acordo com comentários de Joris Meys a uma resposta anterior .

Selecione uma amostra aleatória de um tipo de petisco em R:

library("tibble")    
a <- your_tibble[sample(1:nrow(your_tibble), 150),]

nrow pega um petisco e retorna o número de linhas. O primeiro parâmetro transmitido para sampleé um intervalo de 1 ao final da sua rifa. O segundo parâmetro passado para a amostra, 150, é quantas amostras aleatórias você deseja. A divisão entre colchetes especifica as linhas dos índices retornados. A variável 'a' obtém o valor da amostragem aleatória.

Você pode fazer isso:

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

Acima acabei de criar um dataframe com 10 colunas e 100 linhas, ok?

Agora você pode experimentar com sample_n:

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

Eu sou novo em R, mas estava usando esse método fácil que funciona para mim:

sample_of_diamonds <- diamonds[sample(nrow(diamonds),100),]

PS: Sinta-se à vontade para observar se há alguma desvantagem em que não estou pensando.

Você pode fazer isso:

sample_data = data[sample(nrow(data), sample_size, replace = FALSE), ]