按ID分组随机抽样单条数据：含事件与无事件ID的样本提取需求

原始数据 #

data <- data.frame(
  id = c(1,1,1,1,2,2,2,3,3,3,4,4,4),
  yearmonthweek = c(2012052,2012053,2012061,2012062,2013031,2013052,2013053,2012052,2012053,2012054,2012071,2012073,2012074),
  event = c(0,1,1,0,0,1,0,0,0,0,0,0,0),
  a = c(11,12,13,10,11,12,15,14,13,15,19,10,20)
)

需求说明 #

需要对上述数据执行以下清洗规则：

• 区分两类ID：含事件ID（至少有1行event=1的ID，如示例中的1、2）和无事件ID（所有行event=0的ID，如示例中的3、4）
• 对每个含事件ID随机抽取1行，每个无事件ID也随机抽取1行，最终结果行数等于唯一ID的数量（示例中为4行）

解决方案 #

方法1：使用dplyr包（推荐，语法直观） #

# 首次使用先安装包
# install.packages("dplyr")
library(dplyr)

cleaned_data <- data %>%
  group_by(id) %>%
  sample_n(size = 1) %>%  # 每组随机抽取1行，自动适配两类ID
  ungroup()

# 查看结果
print(cleaned_data)

方法2：基础R实现（无需额外包） #

# 按ID分组抽样
cleaned_data <- do.call(rbind, by(data, data$id, function(x) x[sample(nrow(x), 1), ]))

# 重置行名，让结果更整洁
rownames(cleaned_data) <- NULL

# 查看结果
print(cleaned_data)

预期结果示例（随机抽样，结果不固定） #

data.frame(
  id = c(1,2,3,4),
  yearmonthweek = c(2012053,2013052,2012052,2012073),
  event = c(1,1,0,0),
  a = c(12,12,14,10)
)

内容的提问来源于stack exchange，提问作者Lee