当数据不连续时，如何在最接近值y的随机中采样n个值？

StackOverflow https://stackoverflow.com/questions/3950877

题

我有一个数据集，其中包括一个物种列表，其计数以及调查开始何时开始的日期。由于没有采样许多天，所以一天不是连续的。因此，例如，可能有鸟类在第5,6,9,10,10,15,34,39天等。我将最早的日期设置为第0天。

示例数据：

species     counts      day
Blue tit    234         0
Blue tit    24          5
Blue tit    45          6
Blue tit    32          9
Blue tit    6           10
Blue tit    98          15
Blue tit    40          34
Blue tit    57          39
Blue tit    81          43
..................

我需要引导此数据，并获取一个结果数据集，我在其中指定何时开始，进行什么间隔以及示例的点数。

示例：假设我随机选择第5天作为开始的一天，间隔为30，而示例的行数为2。 （但不是第35天本身）。在这种情况下，我将抓住这两行，一天是34和39。

接下来，我将30至35添加到65左右的大约65点。冲洗，重复直到到达数据集的末尾。

我已经编写了此功能来进行采样，但是它有缺陷（请参见下文）：

resample <- function(x, ...) x[sample.int(length(x), ...)]
 locate_points<- function(dataz,l,n) #l is the interval, n is # points to sample. This is called by another function that specifies start time among other info.
{
   tlength=0
   i=1
    while(tlength<n)   
    {
        low=l-i
        high=l+i
        if(low<=min(dataz$day)) { low=min(dataz$day) }
        if(high>=max(dataz$day)) { high=max(dataz$day) }
        test=resample(dataz$day[dataz$day>low & dataz$day<high & dataz$day!=l])
          tlength=length(test)
         i=i+1
      } 
  test=sort(test)
  k=test[1:n]
 return (k)
 }

我需要帮助的两个问题：

  1. 虽然我的功能确实返回所需的点数，但并非围绕我的搜索值。是有道理的，因为随着我变得更宽，我会得到更多的观点，当我对这些分类并选择第一个N时，它们往往不是低值。

  2. 其次，如何将实际行分出来？现在我有另一个功能可以使用 which, ， 然后 rbind '将这些行一起在一起。似乎应该有更好的方法。

谢谢！

有帮助吗？

解决方案

那样的事情如何：

day = 1:1000

search = seq(from=5, to=max(day), by=30)
x = sort(setdiff(day, search))
pos = match(x[unlist(lapply(findInterval(search, x), seq, len=2))], day)

day[pos]

要从数据中获取行。FRAME只需将其征用：

rows = data[pos, ]

这可能比Unlist/Lapply/Seq组合要干净一些：

pos = match(x[outer(c(0, 1), findInterval(search, x), `+`)], day)

另请注意，如果您想要一个较大的窗口（例如说4），那只是回去的问题：

pos = match(x[outer(-1:2, findInterval(search, x), `+`)], day)

其他提示

喜欢查尔斯的解决方案，该解决方案非常适合n = 2的情况。 las，它不能扩展到较大的窗户。它仍然具有OP：较大的窗口所描述的问题，因此选择并非围绕搜索值。给定n甚至是，我想出了以下解决方案，基于查尔斯的想法。

该功能控制边界。如果有100天，下一个中点是第二天，则为4的窗口意味着您选择索引101，这给 NA. 。此功能会移动窗口，因此所有选定的索引都位于原始数据中。这也具有取决于开始值的副作用（st）， 长度（l）和窗口（n）开始和结束的值两次被选中两次。长度应始终至少是窗口尺寸的两倍。

该函数的输出是引导程序样本的索引。它可以用作 pos 查尔斯在向量和数据框架上的变量。

bboot <- function(day,st,l,n){
  mid <- seq(st,max(day),by=l)
  x <-sort(setdiff(day,mid))
  lx <- length(x)

  id <- sapply(mid,
          function(y){
            m <- match(T,x>y)
            seq(
              from=min( lx-n, max(1,m+(-n/2)) ),
              to=min( lx, max(n,m+(n/2-1)) )
            )
          }
        )

  pos <- match(x[id],day)
  return(pos)
}

然后

>   day <- sample(1:100,50)
> sample.rownr <- bboot(day,10,20,6)
> sort(day)
 [1]  3  4  5  7  9 10 13 15 16 18 19 21 22 24 25 26 27 28 29 
[20] 30 31 32 35 36 38 40 45 49 51 52 54 55 58 59 62 65 69 72 73
[40] 74 80 84 87 88 91 92 94 97 98 99
> day[sample.rownr]
 [1]  5  7  9 13 15 16 27 28 29 31 32 35 40 45 49 51 52 54 62 
[20] 65 69 72 73 74 84 87 88 91 92 94
>

编辑：关于时间序列的自举，您应该通过 cran tastview on Time序列, ，特别是有关重采样的部分。对于不规则时间序列， zoo 软件包还提供了一些其他方便的功能。

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top