當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文

R rsample permutations 排列抽樣


排列樣本的大小與原始數據集相同，並且是通過排列/混洗一列或多列而形成的。這會導致分析樣本中某些列按其原始順序排列，而某些列則排列為隨機順序。與 rsample 中的其他采樣函數不同，它沒有評估集，並且在排列分割上調用 assessment() 將引發錯誤。

用法

permutations(data, permute = NULL, times = 25, apparent = FALSE, ...)

參數

data

一個 DataFrame 。

permute

要洗牌的一列或多列。此參數支持 tidyselect 選擇器。多個表達式可以與 c() 組合。變量名稱可以像 DataFrame 中的位置一樣使用，因此可以使用 x:y 等表達式來選擇一係列變量。有關更多詳細信息，請參閱language。

times

排列樣本的數量。

apparent

一個合乎邏輯的。如果分析是標準數據集，是否應該添加額外的重新采樣。

...

這些點用於將來的擴展，並且必須為空。

值

具有類 permutations 、 rset 、 tbl_df 、 tbl 和 data.frame 的 tibble 。結果包括數據分割對象的列和名為 id 的列，其中包含帶有重采樣標識符的字符串。

細節

參數 apparent 啟用附加 "resample" 的選項，其中分析數據集與原始數據集相同。基於排列的重采樣對於計算原假設下的統計數據特別有用(例如t-statistic)。這構成了排列測試的基礎，排列測試計算數據所有可能排列下的測試統計量。

例子

permutations(mtcars, mpg, times = 2)
#> # Permutation sampling 
#> # Permuted columns: [mpg] 
#> # A tibble: 2 × 2
#>   splits         id           
#>   <list>         <chr>        
#> 1 <split [32/0]> Permutations1
#> 2 <split [32/0]> Permutations2
permutations(mtcars, mpg, times = 2, apparent = TRUE)
#> # Permutation sampling with apparent sample 
#> # Permuted columns: [mpg] 
#> # A tibble: 3 × 2
#>   splits          id           
#>   <list>          <chr>        
#> 1 <split [32/0]>  Permutations1
#> 2 <split [32/0]>  Permutations2
#> 3 <split [32/32]> Apparent     

library(purrr)
resample1 <- permutations(mtcars, starts_with("c"), times = 1)
resample1$splits[[1]] %>% analysis()
#>                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
#> Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    1
#> Mazda RX4 Wag       21.0   4 160.0 110 3.90 2.875 17.02  0  1    4    2
#> Datsun 710          22.8   8 108.0  93 3.85 2.320 18.61  1  1    4    4
#> Hornet 4 Drive      21.4   8 258.0 110 3.08 3.215 19.44  1  0    3    4
#> Hornet Sportabout   18.7   4 360.0 175 3.15 3.440 17.02  0  0    3    1
#> Valiant             18.1   8 225.0 105 2.76 3.460 20.22  1  0    3    4
#> Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    2
#> Merc 240D           24.4   8 146.7  62 3.69 3.190 20.00  1  0    4    3
#> Merc 230            22.8   8 140.8  95 3.92 3.150 22.90  1  0    4    4
#> Merc 280            19.2   8 167.6 123 3.92 3.440 18.30  1  0    4    2
#> Merc 280C           17.8   8 167.6 123 3.92 3.440 18.90  1  0    4    2
#> Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    4
#> Merc 450SL          17.3   6 275.8 180 3.07 3.730 17.60  0  0    3    4
#> Merc 450SLC         15.2   6 275.8 180 3.07 3.780 18.00  0  0    3    4
#> Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    8
#> Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    2
#> Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    3
#> Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    2
#> Honda Civic         30.4   6  75.7  52 4.93 1.615 18.52  1  1    4    1
#> Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    2
#> Toyota Corona       21.5   6 120.1  97 3.70 2.465 20.01  1  0    3    4
#> Dodge Challenger    15.5   4 318.0 150 2.76 3.520 16.87  0  0    3    1
#> AMC Javelin         15.2   4 304.0 150 3.15 3.435 17.30  0  0    3    2
#> Camaro Z28          13.3   4 350.0 245 3.73 3.840 15.41  0  0    3    2
#> Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    3
#> Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
#> Porsche 914-2       26.0   6 120.3  91 4.43 2.140 16.70  0  1    5    4
#> Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    1
#> Ford Pantera L      15.8   4 351.0 264 4.22 3.170 14.50  0  1    5    1
#> Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
#> Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    4
#> Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

resample2 <- permutations(mtcars, hp, times = 10, apparent = TRUE)
map_dbl(resample2$splits, function(x) {
  t.test(hp ~ vs, data = analysis(x))$statistic
})
#>  [1]  1.831884490  0.360219662 -1.271345514 -1.086517310  0.884050160
#>  [6]  1.130681222  0.369342268 -2.595445455  0.007920257  0.562836352
#> [11]  6.290837794
源代碼：R/permutations.R

相關用法


注：本文由純淨天空篩選整理自Hannah Frick等大神的英文原創作品 Permutation sampling。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。