Comment créer des ensembles équilibrés dans R basé sur plusieurs variables

Question

J'ai un grand ensemble de données que je dois diviser en plusieurs ensembles équilibrés.

L'ensemble ressemble à quelque chose comme ce qui suit:

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

Les ensembles, chacun contenant par exemple 20 lignes, devront être équilibrées entre plusieurs variables de sorte que chaque sous-ensemble finit par avoir une moyenne similaire de B, C, D est inclus dans leur sous-groupe par rapport à tous les autres sous-ensembles.

Existe-t-il un moyen de faire cela avec R? Tout conseil serait très apprécié. Merci d'avance!

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) 

Mise à jour Réponse

Il est probablement pas possible d'obtenir des moyens similaires entre les ensembles dans chaque colonne si vous voulez conserver des observations à partir d'une ligne donnée ensemble. Avec 8 colonnes (comme dans vos exemples de données), vous auriez besoin de 25 ensembles de 20 lignes où chaque colonne A a la même moyenne, chaque colonne B a la même moyenne, etc. Cela fait beaucoup de contraintes. Il y a probablement, cependant, des algorithmes qui pourraient trouver le programme d'assignation d'appartenance à l'ensemble que minimise la différence dans les moyens d'ensemble.

Cependant, si vous pouvez prendre séparément 20 observations de chaque colonne sans tenir compte de quelle ligne il vient, alors voici une 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 

Réponse originale

# 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 

Si le nombre total de lignes dans la trame de données ne sont pas divisible par le nombre de lignes que vous voulez dans chaque jeu, vous pouvez faire ce qui suit lorsque vous créez les ensembles:

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

dans ce cas, les tailles de set varient un peu avec le nombre de lignes de données ne sont pas divisible par le nombre souhaité de lignes dans chaque série.