Wie man ausgewogene Sätze in R basierend auf mehreren Variablen erstellt

Question

Ich habe eine große Datenmenge, die ich in mehrere ausgeglichene Mengen aufteilen muss.

Das Set sieht in etwa wie folgt aus:

> data<-matrix(runif(4000, min=0, max=10), nrow=500, ncol=8) 
> colnames(data)<-c("A","B","C","D","E","F","G","H") 

Die Sets, die jeweils für die Zeilen 20 Beispiel enthalten, müssen über mehrere Variablen ausgeglichen werden, so dass jede Teilmenge ein ähnliches Mittel B mit endet, C, D, die in ihrer Untergruppe im Vergleich zu allen anderen Untergruppen enthalten ist.

Gibt es eine Möglichkeit, das mit R zu tun? Jeder Rat würde sehr geschätzt werden. Vielen Dank im Voraus!

Answer 1

library(tidyverse) 

# Reproducible data 
set.seed(2) 
data<-matrix(runif(4000, min=0, max=10), nrow=500, ncol=8) 
colnames(data)<-c("A","B","C","D","E","F","G","H") 

data=as.data.frame(data) 

aktualisiert Antwort

Es ist wahrscheinlich nicht möglich, ähnliche Mittel über Sätze in jeder Spalte zu erhalten, wenn Sie Beobachtungen aus einer bestimmten Reihe zusammen halten wollen. Mit 8 Spalten (wie in Ihren Beispieldaten) würden Sie 25 Sätze mit je 20 Zeilen benötigen, wobei jede Spalte einen Satz den gleichen Mittelwert hat, jeder Satz der Spalte B den gleichen Mittelwert usw. hat. Das sind viele Einschränkungen. Wahrscheinlich gibt es jedoch Algorithmen, die den festgelegten Zugehörigkeitsplan für die Mitgliedschaft finden könnten, der die Differenz in Satzmitteln minimiert.

Wenn Sie jedoch separat 20 Beobachtungen aus jeder Spalte ohne Rücksicht nehmen, auf die Zeile, die es herkommt, dann ist hier eine Option:

# Group into sets with same means 
same_means = data %>% 
    gather(key, value) %>% 
    arrange(value) %>% 
    group_by(key) %>% 
    mutate(set = c(rep(1:25, 10), rep(25:1, 10))) 

# Check means by set for each column 
same_means %>% 
    group_by(key, set) %>% 
    summarise(mean=mean(value)) %>% 
    spread(key, mean) %>% as.data.frame 

set  A  B  C  D  E  F  G  H 
1 1 4.940018 5.018584 5.117592 4.931069 5.016401 5.171896 4.886093 5.047926 
2 2 4.946496 5.018578 5.124084 4.936461 5.017041 5.172817 4.887383 5.048850 
3 3 4.947443 5.021511 5.125649 4.929010 5.015181 5.173983 4.880492 5.044192 
4 4 4.948340 5.014958 5.126480 4.922940 5.007478 5.175898 4.878876 5.042789 
5 5 4.943010 5.018506 5.123188 4.924283 5.019847 5.174981 4.869466 5.046532 
6 6 4.942808 5.019945 5.123633 4.924036 5.019279 5.186053 4.870271 5.044757 
7 7 4.945312 5.022991 5.120904 4.919835 5.019173 5.187910 4.869666 5.041317 
8 8 4.947457 5.024992 5.125821 4.915033 5.016782 5.187996 4.867533 5.043262 
9 9 4.936680 5.020040 5.128815 4.917770 5.022527 5.180950 4.864416 5.043587 
10 10 4.943435 5.022840 5.122607 4.921102 5.018274 5.183719 4.872688 5.036263 
11 11 4.942015 5.024077 5.121594 4.921965 5.015766 5.185075 4.880304 5.045362 
12 12 4.944416 5.024906 5.119663 4.925396 5.023136 5.183449 4.887840 5.044733 
13 13 4.946751 5.020960 5.127302 4.923513 5.014100 5.186527 4.889140 5.048425 
14 14 4.949517 5.011549 5.127794 4.925720 5.006624 5.188227 4.882128 5.055608 
15 15 4.943008 5.013135 5.130486 4.930377 5.002825 5.194421 4.884593 5.051968 
16 16 4.939554 5.021875 5.129392 4.930384 5.005527 5.197746 4.883358 5.052474 
17 17 4.935909 5.019139 5.131258 4.922536 5.003273 5.204442 4.884018 5.059162 
18 18 4.935830 5.022633 5.129389 4.927106 5.008391 5.210277 4.877859 5.054829 
19 19 4.936171 5.025452 5.127276 4.927904 5.007995 5.206972 4.873620 5.054192 
20 20 4.942925 5.018719 5.127394 4.929643 5.005699 5.202787 4.869454 5.055665 
21 21 4.941351 5.014454 5.125727 4.932884 5.008633 5.205170 4.870352 5.047728 
22 22 4.933846 5.019311 5.130156 4.923804 5.012874 5.213346 4.874263 5.056290 
23 23 4.928815 5.021575 5.139077 4.923665 5.017180 5.211699 4.876333 5.056836 
24 24 4.928739 5.024419 5.140386 4.925559 5.012995 5.214019 4.880025 5.055182 
25 25 4.929357 5.025198 5.134391 4.930061 5.008571 5.217005 4.885442 5.062630 

Original-Antwort

# Randomly group data into 20-row groups 
set.seed(104) 
data = data %>% 
    mutate(set = sample(rep(1:(500/20), each=20))) 

head(data) 

  A  B   C  D  E   F  G   H set 
1 1.848823 6.920055 3.2283369 6.633721 6.794640 2.0288792 1.984295 2.09812642 10 
2 7.023740 5.599569 0.4468325 5.198884 6.572196 0.9269249 9.700118 4.58840437 20 
3 5.733263 3.426912 7.3168797 3.317611 8.301268 1.4466065 5.280740 0.09172101 19 
4 1.680519 2.344975 4.9242313 6.163171 4.651894 2.2253335 1.175535 2.51299726 25 
5 9.438393 4.296028 2.3563249 5.814513 1.717668 0.8130327 9.430833 0.68269106 19 
6 9.434750 7.367007 1.2603451 5.952936 3.337172 5.2892300 5.139007 6.52763327 5 

# Mean by set for each column 
data %>% group_by(set) %>% 
    summarise_all(mean) 

 set  A  B  C  D  E  F  G  H 
1  1 5.240236 6.143941 4.638874 5.367626 4.982008 4.20.521844 5.083868 
2  2 5.520983 5.257147 5.209941 4.504766 4.231175 3.642897 5.578811 6.439491 
3  3 5.943011 3.556500 5.366094 4.583440 4.932206 4.725007 5.579103 5.420547 
4  4 4.729387 4.755320 5.582982 4.763171 5.217154 5.224971 4.972047 3.892672 
5  5 4.824812 4.527623 5.055745 4.556010 4.816255 4.426381 3.520427 6.398151 
6  6 4.957994 7.517130 6.727288 4.757732 4.575019 6.220071 5.219651 5.130648 
7  7 5.344701 4.650095 5.736826 5.161822 5.208502 5.645190 4.266679 4.243660 
8  8 4.003065 4.578335 5.797876 4.968013 5.130712 6.192811 4.282839 5.669198 
9  9 4.766465 4.395451 5.485031 4.577186 5.366829 5.653012 4.550389 4.367806 
10 10 4.695404 5.295599 5.123817 5.358232 5.439788 5.643931 5.127332 5.089670 
# ... with 15 more rows 

Wenn die Gesamtzahl der Zeilen in dem Datenrahmen durch die Anzahl der Zeilen nicht teilbar ist, dass Sie in jedem Satz wollen, dann können Sie folgendes tun, wenn Sie erstellen die Sätze:

data = data %>% 
    mutate(set = sample(rep(1:ceiling(500/20), each=20))[1:n()]) 

in diesem Fall werden die eingestellten Größen ein Bit mit der Anzahl der Datenzeilen ändern sich je nach der gewünschten Anzahl von Zeilen in jedem Satz nicht teilbar ist.