Chọn ngẫu nhiên trên Khung dữ liệu, đối với các hàng duy nhất

Question

Tôi có khung dữ liệu chứa 10k hàng, cho cột X đã cho tôi có giá trị được sao chép, Làm cách nào để chọn CHỈ MỘT ROW có chứa giá trị này trong cột này?

Answer 1

Câu hỏi của bạn không hoàn toàn rõ ràng, nhưng tôi giả sử bạn muốn subsample toàn bộ khung dữ liệu, giữ một hàng (được chọn ngẫu nhiên) cho mỗi "lớp trùng lặp". Một cái gì đó như

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

nên làm việc (chưa được thử nghiệm!)

Answer 2

bản năng đầu tiên của tôi sẽ là một cái gì đó giống như giải pháp thanh lịch ddply Ben. Tuy nhiên, khi biết rằng bạn có một tập dữ liệu lớn như vậy, chắc chắn có những cách nhanh hơn. Dưới đây là một trong đó sẽ có nhiều thời gian nhanh hơn nếu bạn có nhiều giá trị độc đáo:

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, ] 
} 

Mô phỏng một số dữ liệu (ở đây với nhiều giá trị duy nhất):

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)) 

So sánh 2 phương pháp:

> 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