创建一个包含5个随机采样观测值的平均值的数据框

debugcn 发表于 Dev

cliftjc1

我目前正在阅读“面向数据科学家的实用统计学”，并在R中演示一些代码，并在其中关注。我特别努力遵循其中的一小部分代码，并希望有人能提供帮助。有问题的代码正在创建一个具有1000行的数据框，其中每个观察值都是从该数据框中随机抽取5个收入值的平均值loans_income。但是，我对代码的逻辑感到困惑，因为它的tapply()功能和嵌套rep()语句相当复杂。

创建相关数据框的代码如下：

samp_mean_5 <- data.frame(income = tapply(sample(loans_income$income,1000*5),
                                          rep(1:1000,rep(5,1000)),
                                          FUN = mean),
           type='mean_of_5')

特别是，我对嵌套rep()语句和函数1000*5部分感到困惑sample()。任何帮助理解代码的逻辑将不胜感激！

作为参考，原始数据集loans_income仅包含一个具有50,000个收入值的列。

马丁·加尔

您在单个向量中有50,000个loan_income。让我们分解一下代码：

tapply(sample(loans_income$income,1000*5),
       rep(1:1000,rep(5,1000)),
       FUN = mean)

我将用10代替1000，用随机数代替收入，因此更容易解释。我也进行了设置，set.seed(1)以便可以再现结果。

sample(loans_income$income,1000*5)
我们从您的媒介中随机抽取50笔收入，而无需进行替换。它们（暂时）被放入长度为50的向量中，因此输出如下所示：

> sample(runif(50000),10*5)
 [1] 0.73283101 0.60329970 0.29871173 0.12637654 0.48434952 0.01058067 0.32337850
 [8] 0.46873561 0.72334215 0.88515494 0.44036341 0.81386225 0.38118213 0.80978822
[15] 0.38291273 0.79795343 0.23622492 0.21318431 0.59325586 0.78340477 0.25623138
[22] 0.64621658 0.80041393 0.68511759 0.21880083 0.77455662 0.05307712 0.60320912
[29] 0.13191926 0.20816298 0.71600799 0.70328349 0.44408218 0.32696205 0.67845445
[36] 0.64438336 0.13241312 0.86589561 0.01109727 0.52627095 0.39207860 0.54643661
[43] 0.57137320 0.52743012 0.96631114 0.47151170 0.84099503 0.16511902 0.07546454
[50] 0.85970500

rep(1:1000,rep(5,1000))
现在我们创建一个长度为50的索引向量：

> rep(1:10,rep(5,10))
[1]  1  1  1  1  1  2  2  2  2  2  3  3  3  3  3  4  4  4  4  4  5  5  5  5  5  6  6  6
[29]  6  6  7  7  7  7  7  8  8  8  8  8  9  9  9  9  9 10 10 10 10 10

这些索引将步骤1中的样本“分组”。因此，基本上，此向量告诉R您“样本向量”的前5个条目一起属于（索引1），接下来的5个条目一起属于（索引2），依此类推。

FUN = mean
只需将mean-function应用于数据即可。
tapply
因此，tapply获取采样数据（sample-part）并按第二个参数（rep()-part）将其分组，然后将-function应用于mean每个组。

如果您熟悉data.frames和dplyr包，请看一下（仅显示前10行）：

set.seed(1)
df <- data.frame(income=sample(runif(5000),10*5), index=rep(1:10,rep(5,10)))
       income index
1  0.42585569     1
2  0.16931091     1
3  0.48127444     1
4  0.68357403     1
5  0.99374923     1
6  0.53227877     2
7  0.07109499     2
8  0.20754511     2
9  0.35839481     2
10 0.95615917     2

我在随机数（您的income）上附加了一个索引。现在我们计算每组的平均值：

df %>% 
  group_by(index) %>%
  summarise(mean=mean(income))

这给了我们

# A tibble: 10 x 2
   index  mean
   <int> <dbl>
 1     1 0.551
 2     2 0.425
 3     3 0.827
 4     4 0.391
 5     5 0.590
 6     6 0.373
 7     7 0.514
 8     8 0.451
 9     9 0.566
10    10 0.435

比较一下

set.seed(1)
tapply(sample(runif(5000),10*5),
       rep(1:10,rep(5,10)),
       mean)

产生基本上相同的结果：

        1         2         3         4         5         6         7         8         9 
0.5507529 0.4250946 0.8273149 0.3905850 0.5902823 0.3730092 0.5143829 0.4512932 0.5658460 
       10 
0.4352546

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。