Question

我有一个大的样本数据集，这些样本属于不同的组并且覆盖的区域不同。数据集的结构在下面进行了简化。我现在想为每个组创建汇总样本（子组），其中每个子组所覆盖的区域等于指定的区域（例如20）。样本应随机分配，不能替换给每个子组，并且子组的编号应在数据框末尾的新列中列出。

SampleID Group Area Subgroup
1          A  1.5        1
2          A  3.8        2
3          A    6        4
4          A  1.9        1
5          A  1.5        3
6          A  4.1        1
7          A  3.7        1
8          A  4.5        3
...                 
300        B  1.2        1
301        B  3.8        1
302        B  4.1        4
303        B  2.6        3
304        B  3.1        5
305        B  3.5        3
306        B  2.1        2
...     
2000       S  2.7        5
...

我目前正在使用“ cumsum”命令，使用以下代码创建子组。

dat <- read.table("Pooling_Test.txt", header = TRUE, sep = "\t")
dat$CumArea <- cumsum(dat$Area) 
dat$Diff_CumArea <- c(0, head(cumsum(dat$Area), -1)) 
dat$Sample_Int_1 <- "0"
dat$Sample_End <- "0" 
current.sum <- 0 

for (c in 1:nrow(dat)) {
  current.sum <- current.sum + dat[c, "Area"]
  dat[c, "Diff_CumArea"] <- current.sum  
  if (current.sum >= 20) {
    dat[c, "Sample_Int_1"] <- "1"
    dat[c, "Sample_End"] <- "End"
    current.sum <- 0
dat$Sample_Int_2 <- cumsum(dat$Sample_Int_1)+1
dat$Sample_Final <- dat$Sample_Int_2
for (d in 1:nrow(dat)) {
  if (dat$Sample_End[d] == 'End')
    dat$Subgroup[d] <- dat$Sample_Int_2[d]-1  
  else 0 }
}}

write.csv(dat, file = 'Pooling_Test_Output.csv', row.names = FALSE)

结果数据框显示了我想要的内容（请参见下文）。但是，我想改进几个步骤。首先，我遇到了一些问题，包括从每个组中随机选择样本的命令，因此，我目前将样本顺序随机化，然后再将数据帧加载到R中。其次，在输出表中，子组是连续编号的，但是我想开始每个新组的子组编号为1。有没有人对如何实现这一建议？

SampleID    Group       CumArea     Subgroups
    1         A           1.5       1
   77         A           4.6       1
    6         A           9.3       1
   43         A          16.4       1
   17         A          19.5       1
   67         A           2.1       2
    4         A           4.3       2
   32         A           8.9       2
  ...         
  300         B           4.5       10
  257         B           6.8       10
  397         B          10.6       10
  344         B          14.5       10
  367         B          16.7       10
  303         B          20.1       10
  306         B           1.5       11
  ...

Answer 1

dplyr包中的一些函数使这一过程变得非常简单。您可以使用slice来随机化数据，group_by可以在组级别执行计算，而mutate可以创建新变量。如果您将这些功能与%>%运算符链接在一起，那么我认为该解决方案看起来像这样，假设您希望组的总数为20。

install.packages("dplyr") #If you haven't used dplyr before
library(dplyr)    

dat %>%
  group_by(Group) %>%
  slice(sample(1:n())) %>%
  mutate(CumArea = cumsum(Area), SubGroup = ceiling(CumArea / 20))

R-为多个样本组创建大小为n的随机子样本

1 个答案: