0

Estoy intentando sacar de forma aleatoria una muestra y he establecido un bucle para ello que me seleccione de cada grupo indicado x individuos por provincia, sexo y edad. Para ello, primero calculo la cantidad representativa de cada grupo y luego, con el bucle, selecciono la muestra de un panel. El problema es que hay ciertos grupos que no tienen, del panel de donde se saca, ningún individuo representativo y cuando llega a este me da error y se para el bucle con el siguiente error: Error in slice_sample(): ! n must be positive. Mi duda es si es posible indicar que cuando se encuentre un grupo que no tiene representación, pase al siguiente, sin que se pare.

El código que he utilizado hasta ahora es el siguiente:

Calculo lo que corresponde a cada grupo por provincia, edad y sexo

muestra <- 4000

cuotas <- datos.ine %>% mutate(total=porc*n_muestra/100)

cuotas <- cuotas %>% mutate(e18_28=porc*total[[51]]/100,
                             e25_34=porc*total[[52]]/100)

cuotas <- cuotas %>% mutate(h18_28=e18_28*porc[[53]]/100,
                             h25_34=e25_34*porc[[53]]/100,
                             m18_28=e18_28*porc[[54]]/100,
                             h25_34=e25_34*porc[[54]]/100,

Atribuyo a targets lo que he calculado en cuotas y lo coloco en cuatro filas por provincia, sexo, edad y el total que necesito de cada grupo y lo ordeno todo por las tres primeras variables

targets <- cuotas %>% pivot_longer(c("h18_28", "h25_34
                                      "m18_28" "m25_34"),
                                    names_to="grupo", values_to="total")

targets <- targets %>% separate(grupo, c("Sexo", "Edad"), sep=1)

targets <- targets %>% mutate(Sexo=case_when(Sexo=="h" ~ "Hombre",
                                           Sexo=="m" ~ "Mujer"))

targets<- targets %>% arrange(provincia, Sexo, Edad)

Establezco:

1. Primero, un valor llamado n, que refleja el número de filas de nuestras sentencias.

2. Segundo, una lista vacía llamada muestra_list. En esta lista se irán guardando las bases de datos de cada grupo por el que segmentamos.

3. El bucle para que me coja la sentencias establecidas en targets del panel. Y que aquí es donde me da el error al no encontrar en el panel a mínimo un individuo de alguno de los grupos

n = nrow(targets)
muestra_list <- list()

for(i in 1:n){
  muestra<- panel %>% filter(Provincia==targets$provincia[[i]], 
                             Sexo==targets$Sexo[[i]], 
                             Grupoedad==targets$Edad[[i]])
  
  cantidad <- ifelse(targets$total[[i]] > nrow(muestra), nrow(muestra), targets$total[[i]])
  muestra_list[[i]] <- slice_sample(muestra, n = cantidad)
}

Muchas gracias¡!

1
  • Esto if (cantidad > 0) muestra_list[[i]] <- slice_sample(muestra, n = cantidad) no es lo que buscas? Commented el 21 jun. 2022 a las 11:45

1 respuesta 1

0

Ya que estás utilizando pipes y dpylr, una solución tipo tidy es mejor que un bucle for.

Existen dos funciones que te pueden ayudar:

  • sample_frac: muestrear aleatoriamente en función a una fracción del total (de 0 a 1)

  • sample_n: muestrear aleatoriamente en función a una cantidad (puedes incluso incluir una función ifelse al interior).

Datos de muestra:

set.seed(123)

panel <- data.frame(Provincia = sample(month.name[1:3],
                                       1000,
                                       replace = T),
                    Sexo = sample(c('M','F'),
                                  1000,
                                  replace = T),
                    Edad = sample(c('18-30',
                                    '30-40',
                                    '40-50'),
                                  1000,
                                  replace = T))

Utilizando sample_frac(y separando el resultado del muestreo en diferentes tibbles para poder trabajarlas independientemente, si es que así lo deseas):

panel %>%
  group_by(Provincia,
           Sexo,
           Edad) %>% 
  sample_frac(0.75) %>% 
  group_split()

Utilizando sample_n:

panel %>%
  group_by(Provincia,
           Sexo,
           Edad) %>% 
  sample_n(ifelse(n() > 50,
                  45,
                  20))%>% 
  group_split()

Ahora, no sabemos el contenido de targets. Si difiere a panel, utiliza left_join o algo similar (en base al contenido del objeto) y luego sigue el procedimiento que aquí describo.


En base a la edición de la pregunta, considerando panel como:

panel <- data.frame(Provincia = sample(month.name[1:3],
                                       1000000,
                                       replace = T),
                    Sexo = sample(c('h',
                                    'm'),
                                  1000000,
                                  replace = T),
                    Edad = sample(c('18_28',
                                    '25_34'),
                                  1000000,
                                  replace = T))

Luego, en base a la pregunta (si es que un grupo en targets no está presente en panel), creé un objeto eliminando uno de las provincias:

muestra <- 4000

targets <- expand.grid(provincia = month.name[1:2],
                       Sexo = c('h',
                                'm'),
                       Edad = c('18_28',
                                '25_34'))

targets$total <- round(1000 + rnorm(n = nrow(targets),mean = 0,sd = 500))

targets$muestra_test <- TRUE

La función de la columna muestra_test es para luego filtrar la bbdd una vez es combinada con targets:

panel %>%
  left_join(targets,
            by = c('Provincia' = 'provincia',
                   'Sexo' = 'Sexo',
                   'Edad' = 'Edad')) %>% 
  filter(muestra_test) %>% 
  select(-total, -muestra_test) %>% 
  group_by(Provincia,
           Sexo,
           Edad) %>% 
  sample_n(ifelse(n() >= muestra,
                  muestra,
                  n()))

En este caso, el tamaño de la muestra está condicionado por la cantidad de observaciones de la combinación Provincia - Sexo - Edad. Si la cantidad de filas es menor a muestra, se extrae la cantidad de filas total en vez de el valor establecido en muestra. Eliminé las columna total que está presente en targets y la prueba lógica para filtrar para sacar todas las filas de targets de la muestra deseada.

Para finalizar, puedes utilizar este objeto como una bbdd única desagrupando con ungroup o separarlas por combinación con group_split

4
  • En targets lo que hay es la asignación de lo que debería haber de cada grupo por provincia, edad y sexo para que la muestra sea representativa. Y esto luego se utiliza para sacar de forma aleatoria la muestra de un panel. La cosa es que en este panel hay menos gente de la que corresponde para cada grupo y el error se produce cuando en el grupo directamente no hay ningún individuo y no se puede coger al menos 1.
    – Lea
    Commented el 20 jun. 2022 a las 14:23
  • Bueno, con left_join quedarían excluidos aquella combinación que existe en targets pero no en panel. Si cuelgas un set de datos podría expandir mi respuesta
    – aldo_tapia
    Commented el 20 jun. 2022 a las 14:36
  • Te he puesto todo el código explicado a ver si con eso lo entiendes bien. Muchas gracias!
    – Lea
    Commented el 20 jun. 2022 a las 15:37
  • @Lea a ver si entendí. Complementé la respuesta
    – aldo_tapia
    Commented el 20 jun. 2022 a las 16:24

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.