Wie aus einem Datensatz basierend auf Daten-Set Größenkriterien

Question

Ich habe folgende Datensatz von dim 22784 X 18

head(MS.DATA.IN.NUM.ZeroVar) 
    X x1  x2  x3  x4  x5  x6  x7  x8  x9 
1 1 15512 0.4608690 0.0492522 0.2264698 0.1498266 0.7528365 0.0100567 0.5797286 0.0032513 
2 2 1550 0.4709677 0.0025806 0.1374194 0.0963415 0.8625806 0.0000000 0.6951424 0.0050251 
3 3 4741 0.4853406 0.0002109 0.1894115 0.1356557 0.8569922 0.0000000 0.6835836 0.0041429 
4 4 467 0.4989293 0.0000000 0.1006424 0.0854701 0.9079229 0.0000000 0.7804878 0.0060976 
5 5 310 0.4741935 0.6806452 0.2258065 0.1288344 0.8967742 0.0000000 0.7563025 0.0084034 
6 6 461 0.4750542 0.0867679 0.1301518 0.0950413 0.9240781 0.0000000 0.7926829 0.0000000 
     x10  x11  x12  x13  x14  x15  x16 x17 
1 0.0759118 0.6253178 0.0366129 0.9913769 0.2601165 0.0522456 0.7740586 130600 
2 0.0435511 0.0642633 0.0033501 0.9949749 0.2852665 0.0606061 0.1428571 40500 
3 0.0279648 0.0657958 0.0000000 0.9974107 0.3154330 0.0651163 0.6875000 28700 
4 0.0182927 0.0574713 0.0000000 1.0000000 0.1494253 0.1395349 1.0000000 28500 
5 0.0168067 0.0775194 0.6722689 0.9915966 0.1472868 0.0000000 0.0000000 24100 
6 0.0060976 0.0888889 0.0548780 0.9939024 0.2722222 0.2941176 0.5000000 14999 

Ich möchte nur einige grundlegende Sampling Idee basiert auf Daten-Set Größe (Instanzen/Datensätze) Kriterien probieren:

Was ich mag würde, um eine Funktion tun schaffen, bei

1: i eine Größenschwelle gesetzt sagen 10000.So die Datenmenge < = 10000 Zeilen nehme dann der Datensatz für die Analyse voll genommen wird (Bevölkerung).

2: Aber falls die Größe> 10000 & < 50000, dann die Datenmenge auf eine Größe abgetastet wird sagen = 15000 Zeilen ....

3: Wenn die Größe> 50000 dann die Größe Probe sein sollte 20000

beschnitten werden nehme ich an if..else Zustand benötigt wird ... kann es Familie & dplyr Funktionen .............

Answer 1

Ich denke cut hier hilfreich sein, die Gruppe bei der Bestimmung und dann Probenahme eine entsprechende Anzahl von Zeilen:

# example data: 
dat <- data.frame(row=seq_len(10000),id=seq_len(10000)) 
# sample away! 
dat[sample(seq_len(nrow(dat)), c(nrow(dat),1.5e4,2e4)[cut(nrow(dat), c(0,1e4,5e4,Inf))]),] 

Answer 2

Dies ist mit geschähe anwenden meine bevorzugte Art, einen Datensatz allgemein zu teilen.

spec<-c(train=0.7, test=0.3) 
division <- function(df,spec) sample(cut(seq(nrow(df)), nrow(df) * cumsum(c(0, spec)), labels=names(spec))) 
dat<- split(MS.DATA.IN.NUM.ZeroVar, division(MS.DATA.IN.NUM.ZeroVar, spec)) 

Und dann können Sie die Sets Zugriff mit dat$train und dat$test

In diesem Fall würden Sie nur Ihre spec auf ifelse(nrow(MS.DATA.IN.NUM.ZeroVar)<=10000, 1, ifelse(nrow(MS.DATA.IN.NUM.ZeroVar) > 50000, 0.4, 0.3))