R：創建一個函式來隨機替換資料幀中的資料-有解無憂

我正在使用 R 編程語言。假設我有以下資料（“my_data”）：

set.seed(123)


num_var_1 <- rnorm(1000, 10, 1)
num_var_2 <- rnorm(1000, 10, 5)
num_var_3 <- rnorm(1000, 10, 10)
num_var_4 <- rnorm(1000, 10, 10)
num_var_5 <- rnorm(1000, 10, 10)

factor_1 <- c("A","B", "C")
factor_2 <- c("AA","BB", "CC")
factor_3 <- c("AAA","BBB", "CCC", "DDD")
factor_4 <- c("AAAA","BBBB", "CCCC", "DDDD", "EEEE")
factor_5 <- c("AAAAA","BBBBB", "CCCCC", "DDDDD", "EEEEE", "FFFFFF")

factor_var_1 <- as.factor(sample(factor_1, 1000, replace=TRUE, prob=c(0.3, 0.5, 0.2)))
factor_var_2 <-  as.factor(sample(factor_2, 1000, replace=TRUE, prob=c(0.5, 0.3, 0.2)))
factor_var_3 <-  as.factor(sample(factor_3, 1000, replace=TRUE, prob=c(0.5, 0.2, 0.2, 0.1)))
factor_var_4 <-  as.factor(sample(factor_4, 1000, replace=TRUE, prob=c(0.5, 0.2, 0.1, 0.1, 0.1)))
factor_var_5 <-  as.factor(sample(factor_4, 1000, replace=TRUE, prob=c(0.3, 0.2, 0.1, 0.1, 0.1)))

id = 1:1000

my_data = data.frame(id,num_var_1, num_var_2, num_var_3, num_var_4, num_var_5, factor_var_1, factor_var_2, factor_var_3, factor_var_4, factor_var_5)


> head(my_data)
  id num_var_1 num_var_2 num_var_3 num_var_4  num_var_5 factor_var_1 factor_var_2 factor_var_3 factor_var_4 factor_var_5
1  1  9.439524  5.021006  4.883963  8.496925  11.965498            B           AA          AAA         CCCC         AAAA
2  2  9.769823  4.800225 12.369379  6.722429  16.501132            B           AA          AAA         AAAA         AAAA
3  3 11.558708  9.910099  4.584108 -4.481653  16.710042            C           AA          BBB         AAAA         CCCC
4  4 10.070508  9.339124 22.192276  3.027154  -2.841578            B           CC          DDD         BBBB         AAAA
5  5 10.129288 -2.746714 11.741359 35.984902 -10.261096            B           AA          AAA         DDDD         DDDD
6  6 11.715065 15.202867  3.847317  9.625850  32.053261            B           AA          CCC         BBBB         EEEE

我的問題：鑒于上述資料集，我正在嘗試創建一個函式，以下列方式（反復）從上述資料集中洗掉隨機行：

第 1 步：資料集有 10 個變數——在第 1 步中，隨機選擇這些變數中的“n”個（“n”必須小于 10）。
步驟 2：對于上述“n”個變數，如果它們是“因子”，則隨機選擇每個因子變數的水平子集（大小為“m”）。對于每個非因子變數，在它們的最小值和最大值之間的一個點上隨機拆分它們（將此點稱為“p”）。
第 3 步：生成一個介于 0 和 1 之間的亂數（稱為“r”）。
步驟 4：選擇步驟 2 中標識的所有行。對于這些行，考慮邏輯條件中未使用的列。對于這些列，這些行中的任何元素都可以用 0 替換的概率為“r”%。
步驟 5：重復步驟 1 - 步驟 4 10 次。

例如，這看起來像這樣：

步驟 1：假設 n 隨機選擇為 4。選擇 4 個隨機變數：num_var_2、num_var_5、factor_var_3、factor_var_4
步驟 2：對于 num_var_2，選擇 7 處的點。對于 num_var_5，選擇了 19 處的點。對于 factor_var_3，選擇了 2 個級別：“BBB”和“CCC”。對于 factor_var_4，3 個級別“AAAA”、“DDDD”、“EEEE”。
第 3 步：選擇一個 0.25 的亂數
第 4 步： SELECT * FROM my_table WHERE num_var_2 >7 & num_var_5 > 19 & factor_var_3 = "BBB, CCC" & factor_var_4 = "AAAA, DDDD, EEEE"。對于未選擇的列（num_var_1、num_var_3、num_var_4、factor_var_1、factor_var_2、factor_var_5）中的每一行，該行中的每個元素現在都有 25% 的機會被 0 替換。
步驟 5：重復步驟 1 - 步驟 4，10 次。在某些時候，可能會選擇過去已被 0 替換的行。這不會有什么區別，因為 0 替換為 0 仍然是 0。

有人可以告訴我如何撰寫執行此操作的函式嗎？

目前，我正在嘗試手動執行此操作：

# 4 variables are selected
n = sample.int(10, 1)
[1] 4

# which 4 variables are selected (each number corresponds to their position):
sample.int(10, length(n))
[1] 6 2 1 4

num_var_1
num_var_2
num_var_4
factor_var_1

#select random points for the continuous variables

p1 <- runif(1, min(num_var_1), max(num_var_1))
p2 <- runif(1, min(num_var_2), max(num_var_2))
p4 <- runif(1, min(num_var_4), max(num_var_4))

#select random factor levels for the factor variable

nlevel = nlevels(factor_var_1)
nlevels = sample.int(nlevel, 1)
[1] 2

sample(factor_1, nlevels, replace=TRUE, prob=c(0.3, 0.5, 0.2))
[1] "A" "B"

#generate random probability number

r = runif(1,0,1)
[1] 0.4514667

#identify rows matching the above condition

identified_rows = my_data[which(my_data$num_var_1 > p1 & my_data$num_var_2 > p2 & my_data$num_var_4 > p4 & my_data$factor_var_1 %in% c("A", "B")), ]

> identified_rows
     id num_var_1 num_var_2 num_var_3 num_var_4 num_var_5 factor_var_1 factor_var_2 factor_var_3 factor_var_4 factor_var_5
208 208  9.405383  15.53998  4.348425  29.87149  23.46945            B           CC          BBB         DDDD         DDDD
589 589 10.582991  18.84683  5.437036  31.53734  11.16494            B           BB          AAA         BBBB         CCCC

現在，對于第 208 行，0.4514667剩余 6 列（num_var_3、num_var_5、factor_var_2、factor_var_3、factor_var_4、factor_var_5）中任何一列的值都有可能被替換為 0。對于第 589 行，有 0.4514667可能是其余 6 列（num_var_3、num_var_5、factor_var_2、factor_var_3、factor_var_4、factor_var_5）中的任何一列都將替換為 0。

在此之后，我會再次將整個程序再重復 9 次。

這是一個很長的路要走 - 有人可以幫我寫一個函式來讓它更快（例如重復 100 次）？

謝謝！

uj5u.com熱心網友回復：

這是一個解決方案（我認為）。以下函式實作了您在上面概述的 5 步程序。

random_drop <- function(x) {
  # Randomly select variables
  which_vars <- names(x[, sort(sample(ncol(x), sample(ncol(x), 1)))])
  # Randomly select factor levels subset or generate continuous cutoff value
  cutoff_vals <- lapply(
    which_vars,
    function(i) {
      if (is.factor(x[[i]])) {
        return(sample(levels(x[[i]]), sample(nlevels(x[[i]]), 1)))
      }
      runif(1, min(x[[i]], na.rm = TRUE), max(x[[i]], na.rm = TRUE))
    }
  )
  names(cutoff_vals) <- which_vars
  # Create random prob value
  r <- runif(1,0,1)
  # Generate idx for which rows to select
  row_idx <- Reduce(
    `&`,
    lapply(
      which_vars,
      function(i) {
        if (is.factor(x[[i]])) {
          return(x[[i]] %in% cutoff_vals[[i]])
        }
        x[[i]] > cutoff_vals[[i]]
      }
    )
  )
  x_sub <- x[row_idx, !colnames(x) %in% which_vars, drop = FALSE]
  # With prob. 'r' fill row values in with '0'
  r_mat <- matrix(
    sample(
      c(TRUE, FALSE), 
      ncol(x_sub)*nrow(x_sub), 
      replace = TRUE, 
      prob = c(r, 1 - r)
    ),
    nrow = nrow(x_sub),
    ncol = ncol(x_sub)
  )
  x_sub[r_mat] <- 0
  x[row_idx, !colnames(x) %in% which_vars] <- x_sub
  return(x)
}

然后這個函式會根據你的需要遞回地多次應用該函式。

random_drop_recurse <- function(x, n = 10) {
  if (n == 1) return(random_drop(x))
  random_drop_recurse(random_drop(x), n = n - 1)
}

注意：0不是有效的因子水平，因此此函式將因嘗試用替換因子值而生成警告0，并將用替換因子值NA。

使用上面提供的資料子集，這就是分別運行該函式 10 次和 100 次的樣子：

set.seed(123)

num_var_1 <- rnorm(1000, 10, 1)
num_var_2 <- rnorm(1000, 10, 5)
num_var_3 <- rnorm(1000, 10, 10)
num_var_4 <- rnorm(1000, 10, 10)
num_var_5 <- rnorm(1000, 10, 10)

factor_1 <- c("A","B", "C")
factor_2 <- c("AA","BB", "CC")
factor_3 <- c("AAA","BBB", "CCC", "DDD")
factor_4 <- c("AAAA","BBBB", "CCCC", "DDDD", "EEEE")
factor_5 <- c("AAAAA","BBBBB", "CCCCC", "DDDDD", "EEEEE", "FFFFFF")

factor_var_1 <- as.factor(sample(factor_1, 1000, replace=TRUE, prob=c(0.3, 0.5, 0.2)))
factor_var_2 <-  as.factor(sample(factor_2, 1000, replace=TRUE, prob=c(0.5, 0.3, 0.2)))
factor_var_3 <-  as.factor(sample(factor_3, 1000, replace=TRUE, prob=c(0.5, 0.2, 0.2, 0.1)))
factor_var_4 <-  as.factor(sample(factor_4, 1000, replace=TRUE, prob=c(0.5, 0.2, 0.1, 0.1, 0.1)))
factor_var_5 <-  as.factor(sample(factor_4, 1000, replace=TRUE, prob=c(0.3, 0.2, 0.1, 0.1, 0.1)))

my_data = data.frame(num_var_1, num_var_2, num_var_3, num_var_4, num_var_5, factor_var_1, factor_var_2, factor_var_3, factor_var_4, factor_var_5)

random_drop <- function(x) {
  # Randomly select variables
  which_vars <- names(x[, sort(sample(ncol(x), sample(ncol(x), 1)))])
  # Randomly select factor levels subset or generate continuous cutoff value
  cutoff_vals <- lapply(
    which_vars,
    function(i) {
      if (is.factor(x[[i]])) {
        return(sample(levels(x[[i]]), sample(nlevels(x[[i]]), 1)))
      }
      runif(1, min(x[[i]], na.rm = TRUE), max(x[[i]], na.rm = TRUE))
    }
  )
  names(cutoff_vals) <- which_vars
  # Create random prob value
  r <- runif(1,0,1)
  # Generate idx for which rows to select
  row_idx <- Reduce(
    `&`,
    lapply(
      which_vars,
      function(i) {
        if (is.factor(x[[i]])) {
          return(x[[i]] %in% cutoff_vals[[i]])
        }
        x[[i]] > cutoff_vals[[i]]
      }
    )
  )
  x_sub <- x[row_idx, !colnames(x) %in% which_vars, drop = FALSE]
  # With prob. 'r' fill row values in with '0'
  r_mat <- matrix(
    sample(
      c(TRUE, FALSE), 
      ncol(x_sub)*nrow(x_sub), 
      replace = TRUE, 
      prob = c(r, 1 - r)
    ),
    nrow = nrow(x_sub),
    ncol = ncol(x_sub)
  )
  x_sub[r_mat] <- 0
  x[row_idx, !colnames(x) %in% which_vars] <- x_sub
  return(x)
}

random_drop_recurse <- function(x, n = 10) {
  if (n == 1) return(random_drop(x))
  random_drop_recurse(random_drop(x), n = n - 1)
}

suppressWarnings(
  head(
    random_drop_recurse(my_data[, c(1:3, 6:8)], 10),
    20
  )
)
#>    num_var_1 num_var_2 num_var_3 factor_var_1 factor_var_2 factor_var_3
#> 1   9.439524  5.021006  4.883963            B           AA          AAA
#> 2   9.769823  4.800225 12.369379            B           AA          AAA
#> 3  11.558708  9.910099  0.000000            C           AA          BBB
#> 4  10.070508  9.339124 22.192276            B           CC          DDD
#> 5  10.129288 -2.746714 11.741359            B           AA          AAA
#> 6  11.715065 15.202867  3.847317         <NA>           AA          CCC
#> 7  10.460916 11.248629 -8.068930            C           CC         <NA>
#> 8   8.734939 22.081037  0.000000            C           AA          BBB
#> 9   9.313147 13.425991 30.460189            C           AA          BBB
#> 10  9.554338  7.765203  4.392376            B           AA          AAA
#> 11 11.224082 23.986956  1.640007            A         <NA>          AAA
#> 12 10.359814 24.161130 16.529475            A           AA          AAA
#> 13  0.000000  3.906441  0.000000            A           CC         <NA>
#> 14 10.110683 12.345160 17.516291            B           CC          AAA
#> 15  9.444159  8.943765  7.220249            A           AA          DDD
#> 16 11.786913 10.935256 21.226542            B           CC          DDD
#> 17 10.497850 11.137714 -1.726089            B           AA          AAA
#> 18  8.033383  3.690498  9.511232            B           CC          CCC
#> 19 10.701356 11.427948  2.958597            B           BB          AAA
#> 20  9.527209 18.746237 16.807586            C           AA          BBB

suppressWarnings(
  head(
    random_drop_recurse(my_data[, c(1:3, 6:8)], 100),
    20
  )
)
#>    num_var_1 num_var_2 num_var_3 factor_var_1 factor_var_2 factor_var_3
#> 1   9.439524   0.00000  0.000000            B         <NA>         <NA>
#> 2   9.769823   0.00000 12.369379            B         <NA>         <NA>
#> 3  11.558708   0.00000  0.000000         <NA>         <NA>          BBB
#> 4  10.070508   0.00000  0.000000            B         <NA>         <NA>
#> 5  10.129288   0.00000  0.000000            B         <NA>         <NA>
#> 6  11.715065   0.00000  0.000000            B         <NA>         <NA>
#> 7  10.460916   0.00000  0.000000            C         <NA>         <NA>
#> 8   0.000000  22.08104  0.000000         <NA>           AA         <NA>
#> 9   9.313147   0.00000  0.000000            C         <NA>         <NA>
#> 10  0.000000   0.00000  0.000000            B           AA          AAA
#> 11 11.224082   0.00000  0.000000         <NA>         <NA>          AAA
#> 12 10.359814   0.00000  0.000000            A         <NA>         <NA>
#> 13 10.400771   0.00000  0.000000            A         <NA>         <NA>
#> 14 10.110683   0.00000  0.000000            B         <NA>         <NA>
#> 15  9.444159   0.00000  0.000000            A         <NA>         <NA>
#> 16 11.786913   0.00000  0.000000            B         <NA>         <NA>
#> 17 10.497850   0.00000  0.000000            B         <NA>         <NA>
#> 18  8.033383   0.00000  0.000000            B         <NA>         <NA>
#> 19  0.000000   0.00000  2.958597            B           BB          AAA
#> 20  9.527209   0.00000  0.000000            C         <NA>          BBB

轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/393446.html

標籤：r 功能随机的数据处理分类数据

上一篇：如何根據R中的條件從同一個表中查找日期值？

下一篇：將串列轉換為資料框而不會弄亂資料