问题描述
所以我的 df 中有一个包含“是”或“否”的列(类别),为了创建一个更平衡的样本,我想选择前 500 个“是”案例的行和来自我的数据集中的前 500 个“否”案例。
我试过这个代码:
top_n(df,500,category=="Yes")
但是这个选择所有的yes而不是前500个 我也试过这个,但这给了我一个错误,尽管我确定它没有意义
df %>% filter(top_n(500,category == "Yes") & top_n(500,category=="No"))
我需要一些正确方向的帮助
解决方法
我可能只是为此使用 head
,并直接在数据框上进行过滤
df1 <- head(df[df$category == "Yes",],500)
df2 <- head(df[df$category == "No",500)
# to combine
out <- rbind(df1,df2)
我猜 top_n
做了类似的事情。我希望 dplyr
有更好的方法,但这应该可行:)
如果您想随机选择是/否答案,您可以使用此代码:
#// generate toy data
df <- data.frame(YN = rep(c("yes","no"),10),val = runif(20,1,100))
head(df)
#> YN val
#> 1 yes 26.00628
#> 2 no 98.34237
#> 3 yes 68.05788
#> 4 no 21.87011
#> 5 yes 33.92545
#> 6 no 68.74417
#// set random seed for reproducibility
set.seed(123)
#// randomly sample 5 'yes' answers
yes <- df[sample(which(df$YN == "yes"),5),]
#// randomly sample 5 'no' answers
no <- df[sample(which(df$YN == "no"),]
#// create new dataframe with sampled answers
df_sub <- rbind(yes,no)
df_sub
#> YN val
#> 5 yes 33.925453
#> 19 yes 53.548253
#> 3 yes 68.057878
#> 15 yes 51.029700
#> 11 yes 91.768337
#> 10 no 11.923457
#> 8 no 8.467184
#> 12 no 63.233610
#> 16 no 93.375332
#> 2 no 98.342369
由 reprex package (v0.3.0) 于 2021 年 1 月 7 日创建