如何在R中输入完整数据集中的采样缺失数据

我正在使用一种抽样方法对整个数据集的700000行和5列数据进行抽样。列为，x1；x2；x3；x4；y、
在使用Matlab中的方法作为采样方法之后，我得到了大约400000个采样数据集。但问题是，该方法没有对“y”进行采样，这意味着“y”在完整的数据集中，并且与x1分离；x2；x3；x4。 几个星期以来，我试图再次找出代码，但仍然没有对“y”进行采样。因此，我必须找到另一种方法来匹配数据集，抽样方法没有随机化完整的数据集，因此它特别有序，但抽样方法删除了一些数据集。这是数据的屏幕截图

所以上面是截图，我们可以从“完整数据集”中看到，采样的数据只需要少量数据。“完整数据集”中突出显示的蓝色是“采样”中的数据，同时“完整数据集”中的黑色文本颜色被删除，这就是为什么“采样”中完整数据集中没有黑色文本颜色的数据。从“采样”中，Y缺失，我可以手动填写，但这需要很长时间，因为采样数据有大约400000个数据集。 那么，如何在使用R数据帧采样的“完整数据集”中的“采样”中填写“Y”

更新

     inputdata <- function(pop,sam) 
  {

  dfpop <- data.frame(pop)
  dfsam <- data.frame(sam)
  ndfpop = nrow(dfpop)
  ndfsam = nrow(dfsam)

  for ( i in 1:ndfsam) {
    if( dfsam[i,1] == dfpop[i,1] && dfsam[i,2] == dfpop[i,2] && dfsam[i,3] == dfpop[i,3] && dfsam[i,4] == dfpop[i,4] ) {
      completesam<- print(dfpop[i,5] == dfsam[i,5])
    }
  }
write.csv(completesam, file = "D://completesampling.csv")
}

---

你知道代码缺少哪一部分吗？

当你使用

索引

公式时，如果你给多个列作为参考数组（在你的例子中是A列到D列），你需要给列编号作为第三个参数（在你的例子中是1到4列）。因此，如果您使用以下公式，您将不会收到任何错误消息

=INDEX($A$3:$D$500002,MATCH($E$3,E3:$E$500002,0),1)

但是使用

MATCH

公式，每次都会得到第3行作为返回值。所以你会得到这个组合公式的相同值。您需要在数组

E3:$E$500002

中比较一个值，而不是

$E$3

。但是您还需要查找数组中的唯一值进行比较，因为这些查找公式返回它们在数组中找到的第一个值。因此，如果存在重复项，您将无法找到第二个值

我的建议是（如果可能的话），插入一个新列作为数据集的第一列，并将其命名为“记录编号”，即1到700K，每行的增量编号

---

在右侧，您可以使用查找公式返回第6列（Y）值。

如果您知道每个组合都是唯一的（x1、x2、x3、x4之间），我建议使用

如您所见，

y

列已正确添加到

dfsam

data.frame。 不同长度的向量没有问题

---

我猜您的源数据中可能有错误。

您只是想对数据帧进行随机采样吗？这样做很容易：

mtcars[sample(seq_along(mtcars[, 1]), 20, FALSE), ]

---

使用这种方法所做的是创建一组从1到数据集中行数的随机数，然后从该数据集中提取20个随机数。然后，您可以将其传递回子集操作，以仅获取与这些数字匹配的行。“FALSE”表示您希望采样不进行替换，这是您想要的，除非您正在进行引导

最后我想到了这个，事情进展顺利，非常感谢您的回复

populationHC <- read.csv("E:/populationHC.csv")
sampledHC <- read.csv("E:/sampledHC.csv")

nsampled = dim(sampledHC)[1]
npopulation = dim(populationHC)[1]

for (i in 1:nsampled)
{
  j = 1
  check = 0
  while (check < 4)
  {
    j = j+1
    if (sampledHC[i,1]==populationHC[j,1]){check1=1}else{check1=0}
    if (sampledHC[i,2]==populationHC[j,2]){check2=1}else{check2=0}
    if (sampledHC[i,3]==populationHC[j,3]){check3=1}else{check3=0}
    if (sampledHC[i,4]==populationHC[j,4]){check4=1}else{check4=0}
    check = check1 + check2 + check3 + check4
  }
  sampledHC[i,5]=populationHC[j,5]
  print(paste('Sampled data -',i))
}

write.csv(sampledHC, "E:/HCsampled.csv")

---

populationHC非常感谢您的回复，但目前工作已改为RP请参见以下问题：。由于悬赏，我们不能投票决定关闭，但这绝对是应该的。还请注意，如果X1、X2、X3和X4的组合具有多个Y值，则无法准确拉动Y@Chris，尽管你可以标记它让版主关闭：被骗者是否回答了你的问题？如果是这样的话，我会把它当作一个复制品关闭，并退还你的赏金。@RobertHarvey我已经回答了下面的问题，谢谢你，我认为“merge”对这种情况很有用，但是当我在merge.data.frame（dfsam，dfpop，by=c（“x1”，“x2”，“x3”，“x4”）中尝试函数
Error时就会发生这种情况，：不允许使用负长度向量
这是因为我的向量长度不同吗？
dfsam
有386431行，而
dfpop
有709899行。因此差异足够大
dfpop = data.frame(x1 = c(4, 3, 0, 2, 1, 4, 2, 0, 3, 0, 0, 2, 0, 0, 3, 0, 2, 0, 4, 0, 2, 1, 0), 
             x2 = c(7500, 14600,  5700,  7500,  7800,  7500,  7500,  6648,  7886,  6858,
                    8077,  7600,  8077,  8077,  7500,  8077, 14600, 7600,  3500, 14172, 
                    7600,  7500,  7500), 
             x3 = c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0),
             x4 = c(1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1),
             y = c(0, 0, 1, 1, 1, 0, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1))


dfsam = dfpop[c(5,17,23),c("x1", "x2", "x3", "x4")] # 3 highlighted lines without y column

df = merge(dfsam, dfpop, by = c("x1", "x2", "x3", "x4")) # merging the 2 data.frames

> print(df)
  x1    x2 x3 x4 y
1  0  7500  0  1 1
2  1  7800  0  1 1
3  2 14600  0  1 1

mtcars[sample(seq_along(mtcars[, 1]), 20, FALSE), ]

populationHC <- read.csv("E:/populationHC.csv")
sampledHC <- read.csv("E:/sampledHC.csv")

nsampled = dim(sampledHC)[1]
npopulation = dim(populationHC)[1]

for (i in 1:nsampled)
{
  j = 1
  check = 0
  while (check < 4)
  {
    j = j+1
    if (sampledHC[i,1]==populationHC[j,1]){check1=1}else{check1=0}
    if (sampledHC[i,2]==populationHC[j,2]){check2=1}else{check2=0}
    if (sampledHC[i,3]==populationHC[j,3]){check3=1}else{check3=0}
    if (sampledHC[i,4]==populationHC[j,4]){check4=1}else{check4=0}
    check = check1 + check2 + check3 + check4
  }
  sampledHC[i,5]=populationHC[j,5]
  print(paste('Sampled data -',i))
}

write.csv(sampledHC, "E:/HCsampled.csv")