如何从R数据框中选取n个具有最大欧氏分散度的行？

问题说明 #

给定如下多维数据框：

df <- data.frame(a = runif(100, -10, 10),
                 b = runif(100, -10, 10),
                 c = runif(100, -10, 10),
                 d = runif(100, -10, 10),
                 e = runif(100, -10, 10))

需要实现一个函数，从中提取n个在y维空间内欧氏距离分散度最大的行索引。一维场景示例：

• 输入c(1:9)，调用函数应返回c(1,5,9)（提取3个点）
• 输入c(1:9)，调用函数应返回c(1,3,5,7,9)（提取5个点）
• 输入c(1:10)，调用函数可随机返回c(1,5,10)或c(1,6,9)（提取3个点）

原有方案的问题 #

此前实现的voronoiFilter函数仅支持二维数据，且因重复数据频繁触发警告：

voronoiFilter <- function(occ, select){
  n <- nrow(occ) - select
  subset <- occ
  dropped <- rep(NA, n)
  for (i in 1:n) {
    v <- voronoi.mosaic(x = subset[,1], y = subset[,2], duplicate = "remove")
    info <- cells(v)
    areas <- unlist(lapply(info,function(x) x$area))
    smallest <- which(areas == min(areas, na.rm = TRUE))
    dropped[i] <- which(occ[,1] == subset[smallest,1] & occ[,2] == subset[smallest,2])
    subset <- subset[-smallest,]
  }
  outVec <- 1:nrow(occ)
  return(outVec[-dropped])
}

触发的警告信息：

Warning in hist.default(i, plot = FALSE, freq = TRUE, breaks = seq(0.5,  :
  argument ‘freq’ is not made use of

替代实现方案 #

推荐使用最大最小距离（MaxMin）贪心算法，该算法适用于任意维度，且能有效处理重复数据，核心逻辑是每次选择离已选样本集合最远的点，最终得到分散度最大的样本集。

实现代码 #

maxmin_sample <- function(data, n) {
  # 转换为矩阵处理，确保数值型格式
  data_mat <- as.matrix(data)
  # 处理重复行：保留唯一行并后续映射回原始索引
  unique_data <- unique(data_mat)
  if (nrow(unique_data) < n) {
    stop("数据中唯一样本数量小于需要提取的n值")
  }
  # 初始化：随机选择第一个样本的索引
  selected_idx <- sample(1:nrow(unique_data), 1)
  # 迭代选择剩余n-1个样本
  for (i in 2:n) {
    # 计算每个未选点到已选点的最小距离
    dist_mat <- dist(rbind(unique_data[selected_idx, ], unique_data))
    min_dist <- apply(as.matrix(dist_mat)[1:length(selected_idx), -(1:length(selected_idx))], 2, min)
    # 选择最小距离最大的点加入已选集合
    next_idx <- which.max(min_dist) + length(selected_idx)
    selected_idx <- c(selected_idx, next_idx)
  }
  # 映射回原始数据的行索引
  original_idx <- sapply(selected_idx, function(x) {
    which(apply(data_mat, 1, function(row) all(row == unique_data[x, ])))[1]
  })
  return(original_idx)
}

函数说明 #

1. 维度兼容：支持任意维度的数值型数据框/矩阵
2. 重复数据处理：自动去重后采样，再映射回原始数据的行索引
3. 分散度保障：通过MaxMin逻辑确保选中样本在空间中尽可能分散

测试示例 #

# 一维数据测试
one_d <- 1:9
one_d_df <- data.frame(x = one_d)
maxmin_sample(one_d_df, 3) # 预期返回类似c(1,5,9)的索引
maxmin_sample(one_d_df, 5) # 预期返回类似c(1,3,5,7,9)的索引

# 多维数据测试
maxmin_sample(df, 10) # 从df中提取10个高分散度行的索引

可选优化方向 #

• 若数据量极大，可通过分块计算距离提升运行效率
• 若需要固定结果，可在函数开头加入set.seed()固定随机种子

内容的提问来源于stack exchange，提问作者Laas