Selección aleatoria en Data Frame, para filas únicas

Question

Tengo un marco de datos que contiene 10k filas, para una columna dada X Tengo valores duplicados, ¿Cómo podemos seleccionar ALREDEDORMENTE UNA FILA que contenga este valor en esta columna?

Answer 1

Su pregunta no está del todo clara, pero asumo que desea submuestrear todo el marco de datos, manteniendo una fila (elegida al azar) por "clase duplicada". Algo así como

library(plyr) 
subsampled_data <- ddply(mydata,.(X), 
    function(x) { 
      x[sample(nrow(x),size=1),] 
    }) 

deben trabajar (no probado!)

Answer 2

Mi primera reacción habría sido algo como solución elegante ddply de Ben. Sin embargo, sabiendo ahora que tienes un conjunto de datos tan grande, definitivamente hay formas más rápidas. Aquí está uno que será mucho más rápido si tiene muchos valores únicos:

RemoveDups <- function(df, column) { 
    inds = sample(1:nrow(df)) 
    df = df[inds, ] 

    dups = duplicated(df[, column]) 
    df = df[!dups, ] 
    inds = inds[!dups] 

    df[sort(inds, index=T)$ix, ] 
} 

simular algunos datos (en este caso con muchos valores únicos):

n.row = 10^6 
n.col = 3 

set.seed(12345) 
data = data.frame(matrix(sample(1000, n.row*n.col, replace=T), nrow=n.row)) 

comparar los 2 métodos:

> system.time(ddply(data, 'X1', function(x) x[sample(nrow(x), size=1), ])) 
    user system elapsed 
    3.264 0.921 4.315 
> system.time(RemoveDups(data, 'X1')) 
    user system elapsed 
    0.375 0.025 0.399