Как образец из набора данных на основе критериев размера набора данных

Question

У меня есть следующий набор данных тусклой 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 

Я просто хочу основную идею дискретизации в зависимости от размера набора данных (экземпляры/записи) критерии:

что я хотел бы сделать, создать функцию, в которой

1: я установить порог размера говорит 10000.So предположит, что набор данных < = 10000 строки, то набор данных для анализа берется полным (население).

2: Но в случае, если размер> 10000 & < 50000, то набор данных выборки до размера говорят = 15000 строк ....

3: Если размер> 50000, то размер выборки будет должен быть сокращены до 20000

Я полагаю if..else условие будет нужно ... это может быть сделано с помощью применять семейные & dplyr функции .............

Answer 1

Я думаю cut будет полезно здесь в определении группы и затем отбирает соответствующее количество рядов:

# 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

Это мой любимый способ, как правило, разбивать набор данных.

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)) 

И тогда вы можете получить доступ к наборам с dat$train и dat$test

В этом случае вы бы просто установить спецификацию на ifelse(nrow(MS.DATA.IN.NUM.ZeroVar)<=10000, 1, ifelse(nrow(MS.DATA.IN.NUM.ZeroVar) > 50000, 0.4, 0.3))