具有约束的样本，矢量化

Question

什么是在特定约束下采样数据框的最有效方法？

例如，假设我有一个姓名和薪水的目录，我该如何选择3，以使他们的总和不超过某个值。我只是使用while循环，但这似乎效率很低。

Answer 1

您可能会遇到组合爆炸。这模拟了从一组20个工资组合中选择3个工资组合的平均值为60和20的薪水。它显示，从1140个组合的计数中可以发现，只有263个工资总和低于150.

> sum(apply(combn(1:20,3) , 2, function(x) sum(salry[x, "sals"]) < 150)) 
[1] 200 
> set.seed(123) 

> salry <- data.frame(EEnams = sapply(1:20 , 
             function(x){paste(sample(letters[1:20], 6) , 
              collapse="")}), sals = rnorm(20, 60, 20)) 
> head(salry) 
    EEnams  sals 
1 fohpqa 67.59279 
2 kqjhpg 49.95353 
3 nkbpda 53.33585 
4 gsqlko 39.62849 
5 ntjkec 38.56418 
6 trmnah 66.07057 

> sum(apply(combn(1:NROW(salry), 3) , 2, function(x) sum(salry[x, "sals"]) < 150)) 
[1] 263 

如果你有1000 EE的，那么你将有：

> choose(1000, 3) # Combination possibilities 
# [1] 166,167,000 Commas added to output 

Answer 2

一种方法是从完整的数据框开始，并举例说明一种情况。创建一个数据框，该数据框由薪水低于约束的所有案例减去选定的工资组成。从中选择第二个案例，并重复创建剩余案例集以供选择的过程。如果达到需要的数量（3），或者在任何时候数据框中没有任何案例可供选择（停止目前的操作并重新开始采样过程），请停止。

请注意，不同的方法会为包含的情况创建不同的概率分布;一般来说它不会是统一的。

Answer 3

你的数据集有多大？如果它很小（并且很小取决于你的硬件），你可以列出所有三个组，计算总和，并从中抽样。

## create data frame 
N <- 100 
salary <- rnorm(N)) 
## list all possible groups of 3 from this 
x <- combn(salary, 3) 
## the sum 
sx <- colSums(x) 
sxc <- sx[sx<1] 
## sampling with replacement 
sample(sxc, 10, replace=TRUE)