Início / coding / Perguntas / 78783872
Accepted
David Robie
Asked: 2024-07-23 21:57:36 +0800 CST

Problema com filtro dplyr em R ao tentar filtrar com base na probabilidade

  • 772

Pergunta: Você pode realizar uma filtragem realmente confiável com base em um desenho dentro do filtro ou está fadado ao fracasso?

Objetivo: Dentro de dplyr::filter(), remover linhas do tipo A (versicolor) se um sorteio aleatório falhar, e remover linhas do tipo B (virginica) se o sorteio for aprovado. Deve sempre terminar com 5 linhas aleatórias de dados setosa e 1 linha aleatória de virginica (1/8 de chance) ou versicolor (7/8 de chance).

Tentar:

as_tibble(iris) %>%
   group_by(Species) %>%
   mutate(draw = case_when(
      Species == "setosa" ~ 5,
      Species == "versicolor" ~ 1,
      Species == "virginica" ~ 1
   )) %>%
   slice(sample(n(),draw[1])) %>%
   filter(
      if(round(runif(1),3) <= 1/8){ Species != "versicolor" }
      else { Species != "virginica" }
   )

Problema: embora isso normalmente funcione retornando apenas um ou outro, ocasionalmente obterei ambos ou nenhum. Por curiosidade, parece que consigo ambos 11% das vezes, nem 11% das vezes, e apenas um (o que está correto) apenas 78% das vezes.

Entendo que uma solução seria terminar o cano após o slice e depois desenhar dentro de uma if()instrução:

data <- as_tibble(iris) %>%
   group_by(Species) %>%
   mutate(draw = case_when(
      Species == "setosa" ~ 5,
      Species == "versicolor" ~ 1,
      Species == "virginica" ~ 1
   )) %>%
   slice(sample(n(),draw[1]))

if(round(runif(1),3) <= 1/8){
   data %>%
      filter(Species != "versicolor")
}
else {
   data %>%
      filter(Species != "virginica")
}

Porém, como percebi que é possível realizar o sorteio dentro do filtro, tenho interesse em saber se é prático.

1 respostas

  1. Best Answer

    Por que você não calcula a probabilidade antes?

    as_tibble(iris) %>%
  mutate(prob = runif(1)) %>% 
  group_by(Species) %>%
  mutate(draw = case_when(
    Species == "setosa" ~ 5,
    Species == "versicolor" ~ +(prob <= 1/8),
    Species == "virginica" ~ +(prob > 1/8)
  )) %>%
  slice(sample(n(),draw[1]))

    Parece mais limpo do que if ... elseno final.

    A razão pela qual às vezes ele não imprime nenhum ou ambos é porque você não extrai 1 número aleatório, mas 3! Um para cada grupo.

    filterno seu código está sendo aplicado tp a groupped data.frame, então você obtém um número aleatório para cada grupo.

    Tente executar este código. Você verá que imprimirá 3 números.

    • A condição para setosa não importa.
    • O número aleatório para versicolor é 0,095, o que definirá a condição como TRUE e eliminará o versicolor da condição de filtro.
    • O número aleatório para virginica é 0,295, que é maior que 1/8. A condição é FALSA e virginica é apagada do resultado final.
    print_random_number <- function(x, Species){
  cat(sprintf("%10s: %s <= 1/8 --> %s\n", Species, x, x <= 1/8))
  x
}

set.seed(6)
as_tibble(iris) %>%
  group_by(Species) %>%
  mutate(draw = case_when(
    Species == "setosa" ~ 5,
    Species == "versicolor" ~ 1,
    Species == "virginica" ~ 1
  )) %>%
  slice(sample(n(),draw[1])) %>%
  filter(
    if(print_random_number(round(runif(1),3), Species[1]) <= 1/8){ Species != "versicolor" }
    else { Species != "virginica" }
  )

#>     setosa: 0.916 <= 1/8 --> FALSE
#> versicolor: 0.095 <= 1/8 --> TRUE
#>  virginica: 0.295 <= 1/8 --> FALSE
#> # A tibble: 5 × 6
#> # Groups:   Species [1]
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species  draw
#>          <dbl>       <dbl>        <dbl>       <dbl> <fct>   <dbl>
#> 1          4.9         3.1          1.5         0.1 setosa      5
#> 2          5.1         3.8          1.9         0.4 setosa      5
#> 3          4.3         3            1.1         0.1 setosa      5
#> 4          5           3.2          1.2         0.2 setosa      5
#> 5          4.7         3.2          1.3         0.2 setosa      5

    Portanto, você poderia corrigir seu código simplesmente adicionando ungroupantes filter:

    set.seed(6)
as_tibble(iris) %>%
  group_by(Species) %>%
  mutate(draw = case_when(
    Species == "setosa" ~ 5,
    Species == "versicolor" ~ 1,
    Species == "virginica" ~ 1
  )) %>%
  slice(sample(n(),draw[1])) %>%
  ungroup() %>%
  filter(
    # I added a print statement here to see what number was pulled
    if(print(round(runif(1),3)) <= 1/8){ Species != "versicolor" }
    else { Species != "virginica" }
  )

#> [1] 0.916
#> # A tibble: 6 × 6
#>   Sepal.Length Sepal.Width Petal.Length Petal.Width Species     draw
#>          <dbl>       <dbl>        <dbl>       <dbl> <fct>      <dbl>
#> 1          4.9         3.1          1.5         0.1 setosa         5
#> 2          5.1         3.8          1.9         0.4 setosa         5
#> 3          4.3         3            1.1         0.1 setosa         5
#> 4          5           3.2          1.2         0.2 setosa         5
#> 5          4.7         3.2          1.3         0.2 setosa         5
#> 6          6.4         3.2          4.5         1.5 versicolor     1
    • 2

relate perguntas