从重复IDS中选择随机行

Question

我正在处理一个数据集，其中有学生对教师的评分。有些学生给同一个老师打分不止一次。对于这些数据，我要做的是按照以下标准对其进行子集：

1)保留学生的唯一身份和评级。

2)学生对教师进行两次评分的情况下，只保留一个评分，但随机选择要保持的评分。

3)如果可能的话，我希望能够在每个分析文件的顶部以一个咀嚼脚本运行代码，并确保为每个分析创建的数据集完全相同(set seed?)。

# data
student.id <- c(1,1,2,3,3,4,5,6,7,7,7,8,9)
teacher.id <- c(1,1,1,1,1,2,2,2,2,2,2,2,2)
rating <- c(100,99,89,100,99,87,24,52,100,99,89,79,12)
df <- data.frame(student.id,teacher.id,rating)

感谢对如何向前迈进的任何指导。

Answer 1

假设每个student.id只应用于一名教师，则可以使用以下方法。

# get a list containing data.frames for each student
myList <- split(df, df$student.id)

# take a sample of each data.frame if more than one observation or the single observation
# bind the result together into a data.frame
set.seed(1234)
do.call(rbind, lapply(myList, function(x) if(nrow(x) > 1) x[sample(nrow(x), 1), ] else x))

这会返回

  student.id teacher.id rating
1          1          1    100
2          2          1     89
3          3          1     99
4          4          2     87
5          5          2     24
6          6          2     52
7          7          2     99
8          8          2     79
9          9          2     12

如果同一student.id对多个教师进行评分，则此方法需要构造一个带有interaction函数的新变量：

# create new interaction variable
df$stud.teach <- interaction(df$student.id, df$teacher.id)

myList <- split(df, df$stud.teach)

然后，代码的其余部分与上面的代码相同。

一个可能更快的方法是使用data.table库和rbindlist。

library(data.table)
# convert into a data.table
setDT(df)

myList <- split(df, df$stud.teach)

# put together data.frame with rbindlist
rbindlist(lapply(myList, function(x) if(nrow(x) > 1) x[sample(nrow(x), 1), ] else x))

Answer 2

现在，使用data.table可以更快地完成这一任务。您的问题相当于从组内取样行，请参阅

Sample random rows within each group in a data.table