在R中使用分层抽样时，有没有一种方法来确定总体样本量？

Question

我有一个代表50,000个模拟的数据集。每个模拟具有多个场景id，并且与每个场景id相关联的是称为目标的第二标识符。前四个模拟可能如下所示：

+----------------------------------------------+
| SIMULATION    |SCENARIO ID   |TARGET ID      |
|               |              |               |
+----------------------------------------------+
|               |              |               |
| 1             | 12           | 11            |
| 1             | 10           | 2             |
| 1             | 1            | 18            |
| 2             | 3            | 9             |
| 2             | 7            | 10            |
| 2             | 21           | 2             |
| 3             | 17           | 15            |
| 3             | 12           | 9             |
| 4             | 7            | 16            |
+---------------+--------------+---------------+

我希望将这50,000个模拟集采样为10,000个模拟集，同时保留关于每个场景/目标组合的频率的50,000个集的最佳表示。

我尝试过使用分层采样，使用拆分堆栈形状包中的分层函数，并将场景id和目标id设置为一个组。但是，我只能指定每组的样本大小。

我可以使用从每个组中采样的比例，直到它接近10,000个模拟，但这并不理想，因为我需要尽可能地自动化。

Answer 1

如果还不算太晚，我可能会提出以下解决方案。

First，加载库并生成dataset (当然在您的案例中不需要生成dataset )：

    library(data.table)

    # Generate dataset ...
    df = data.table(Simulation = sample(1:4, 60, replace = TRUE),
                    Scenario.ID = sample(1:5, 60, replace = TRUE),
                    Target.ID = sample(1:2, 60, replace = TRUE))
    # ... and sort it
    df = df[order(Simulation, Scenario.ID, Target.ID)]

第二个，定义递减率。在本例中，我使用n= 3，在您的示例中，它将是n=5或任何其他符合目标的数字。

n = 3

对于第三个，定义要从方案和目标的每个组合中获取的行数。I舍入数字；它们必须是整数。如果四舍五入的数字为零，则取1作为样本，以保持场景和目标的每个组合的表示。

group.sample = df[, .N, by = .(Scenario.ID, Target.ID)][, pmax(round(N/n), 1)]
group.sample
 [1] 1 2 2 2 2 2 3 2 3 1

Fourth，标记要纳入样本的记录(感谢this answer)。我使用set.seed使示例可重现。选择是随机的。

set.seed(1)
df[, Sample := 1:.N %in% sample(.N, min(.N, group.sample[.GRP])), by = .(Scenario.ID, Target.ID)]

head(df[order(Simulation, Scenario.ID, Target.ID)])
       Simulation Scenario.ID Target.ID Sample
    1:          1           1         1  FALSE
    2:          1           1         1   TRUE
    3:          1           1         2  FALSE
    4:          1           2         1  FALSE
    5:          1           2         2  FALSE
    6:          1           3         1  FALSE

with ，将场景和目标组合的原始比例与采样比例进行比较。比例四舍五入为逗号后的两位数。

df[, .(Original = round(.N/ nrow(df), 2),
       Sampled = round(length(Sample[Sample == TRUE])/df[Sample == TRUE, .N], 2)), 
   by = .(Scenario.ID, Target.ID)]

    Scenario.ID Target.ID Original Sampled
 1:           1         1     0.07    0.05
 2:           1         2     0.10    0.10
 3:           2         1     0.10    0.10
 4:           2         2     0.08    0.10
 5:           3         1     0.12    0.10
 6:           4         1     0.08    0.10
 7:           4         2     0.15    0.15
 8:           5         1     0.08    0.10
 9:           3         2     0.17    0.15
10:           5         2     0.05    0.05