Extraction de valeurs selon condition

Version imprimable

Bonjour,

Je dispose d'un dataframe qui représente des caractéristiques de personnes, telles que la profession, le sexe, et l'utilisation du télétravail :
Code:

1 2 data = data.frame(profession = sample(c("artisan", "employe", "cadre supérieur"), 10000, replace = TRUE), sexe = sample(c("M", "F"), 10000, replace = TRUE), en_teletravail = sample(c("Oui", "Non"), 10000, replace = TRUE))
Je souhaiterais créer un nouveau dataframe, issus d'une extraction des valeurs de "data", de telle sorte :
- Qu'il y ait 20% d'hommes et 80% de femmes
- Et, qu'il y ait 60% d'artisans, 20% d'employes, et 20% de cadres supérieur
- Et, qu'il y ait 50% de "Oui" à l'utilisation du télétravail.

Est-il possible de faire ceci sur R ?
Merci

échantillonage dataframe stratifié

Bonjour,

La fonction stratified() du package splitstackshape permet de créer un échantillonnage à partir d'un dataframe :

• Dataframe initial

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
set.seed(1) 
data1 <- data.frame(profession = sample(c("artisan", "employé", "cadre supérieur"), 10000, replace = TRUE), 
                    sexe = sample(c("M", "F"), 10000, replace = TRUE), 
                    en_teletravail = sample(c("Oui", "Non"), 10000, replace = TRUE),
                    stringsAsFactors = TRUE)
 
prop.table(table(data1$profession))
#> 
#>         artisan cadre supérieur         employé 
#>          0.3424          0.3284          0.3292
prop.table(table(data1$sexe))
#> 
#>      F      M 
#> 0.4894 0.5106
prop.table(table(data1$en_teletravail))
#> 
#>   Non   Oui 
#> 0.503 0.497

• Construction d'un dataframe avec les bonnes proportions

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
data2 <- data.frame(profession = sample(c("artisan", "employé", "cadre supérieur"), 1000000, replace = TRUE, prob = c(0.6, 0.2, 0.2)), 
                    sexe = sample(c("M", "F"), 1000000, replace = TRUE, prob = c(0.2,0.8)), 
                    en_teletravail = sample(c("Oui", "Non"), 1000000, replace = TRUE, prob = c(0.5, 0.5)),
                    stringsAsFactors = TRUE)
 
prop.table(table(data2$profession))
#> 
#>         artisan cadre supérieur         employé 
#>        0.599907        0.200212        0.199881
prop.table(table(data2$sexe))
#> 
#>        F        M 
#> 0.800348 0.199652
prop.table(table(data2$en_teletravail))
#> 
#>      Non      Oui 
#> 0.500483 0.499517

• Construction d'une variable groupe correspondant aux différentes combinaisons

Code:

data2$groupe <- paste(data2$profession, data2$sexe, data2$en_teletravail)

• Calcul des effectifs de chaque combinaison dans le dataframe stratifié

Code:

1
2
3
4
5
6
7
8
9
10
11
12
gsize <- 200 * round(prop.table(table(data2$groupe)), 2)
gsize
#> 
#>         artisan F Non         artisan F Oui         artisan M Non 
#>                    48                    48                    12 
#>         artisan M Oui cadre supérieur F Non cadre supérieur F Oui 
#>                    12                    16                    16 
#> cadre supérieur M Non cadre supérieur M Oui         employé F Non 
#>                     4                     4                    16 
#>         employé F Oui         employé M Non         employé M Oui 
#>                    16                     4                     4
gsize <- as.list(gsize)

• Création du dataframe stratifié

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
data3 <- splitstackshape::stratified(data1, c("profession", "sexe", "en_teletravail"), gsize)
 
prop.table(table(data3$profession))
#> 
#>         artisan cadre supérieur         employé 
#>             0.6             0.2             0.2
prop.table(table(data3$sexe))
#> 
#>   F   M 
#> 0.8 0.2
prop.table(table(data3$en_teletravail))
#> 
#> Non Oui 
#> 0.5 0.5
 
# Created on 2020-09-17 by the reprex package (v0.3.0.9001)

Cordialement,

Un grand merci pour votre réponse, qui répond complètement à mon besoin. En plus, c'est une librairie que je ne connaissais pas !

J'ai cependant une petite question. J'ai tenté d'appliquer cette méthodologie sur le dataframe sur lequel je travaille actuellement. Je reçois l'erreur "Error in splitstackshape::stratified(data1, c("categorie_metier"), gsize) : Incompatible sizes supplied".

Voici comment je procède :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
 
#Génération d'un dataframe, semblable à celui sur lequel je travaille
data1 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 429, replace = TRUE, prob = c(0.01, 0.05, 0.14, 0.41, 0.25, 0.04, 0.10)), stringsAsFactors = TRUE)
 
#Génération du second dataframe, avec les probabilités des modalités choisies
data2 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 100000, replace = TRUE, prob = c(0.01, 0.03, 0.27, 0.21, 0.13, 0.10, 0.25)), stringsAsFactors = TRUE)
 
#Collage du champ
data2$groupe <- paste(data2$categorie_metier)
 
#Construction de gsize, de telle manière à ce que je récupère un dataframe de 50 entrées
gsize <- 50 * round(prop.table(table(data2$groupe)), 1)
gsize <- as.list(gsize)
 
#Génération du dataframe
data3 <- splitstackshape::stratified(data, c("categorie_metier"), gsize)
Error in splitstackshape::stratified(data1, c("categorie_metier"), gsize) : 
  Incompatible sizes supplied

Pourtant, gsize ne comporte pas de modalités supérieures à data1...

Code:

1
2
3
4
5
6
7
8
 
> table(data1$categorie_metier)
agriculteur     artisan       autre      cadres    employes    ouvriers    prof_int 
          6          14          60         177         121           8          43 
 
> gsize
agriculteur     artisan       autre      cadres    employes    ouvriers    prof_int 
          0           0          15          10           5           5          10

A quoi cela est-il du ?
Merci.

échantillonage dataframe stratifié

Bonjour,

Je pense que c'est parce que vous avez des groupes vides :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
gsize <- 50 * round(prop.table(table(data2$categorie_metier)), 1)
gsize
#> 
#> agriculteur     artisan       autre      cadres    employes    ouvriers 
#>           0           0          15          10           5           5 
#>    prof_int 
#>          10
sum(gsize)
#> [1] 45
gsize <- as.list(gsize)
 
#Génération du dataframe
data3 <- splitstackshape::stratified(data1, "categorie_metier", gsize)
#> Error in splitstackshape::stratified(data1, "categorie_metier", gsize): Incompatible sizes supplied

Ça fonctionne en enlevant les groupes vides :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
gsize <- 50 * round(prop.table(table(data2$categorie_metier)), 1)
gsize
#> 
#> agriculteur     artisan       autre      cadres    employes    ouvriers 
#>           0           0          15          10           5           5 
#>    prof_int 
#>          10
sum(gsize)
#> [1] 45
gsize <- gsize[gsize != 0]
gsize
#> 
#>    autre   cadres employes ouvriers prof_int 
#>       15       10        5        5       10
gsize <- as.list(gsize)
data3 <- splitstackshape::stratified(data1, "categorie_metier", gsize,
                                     select = list(categorie_metier = names(gsize)))
data3$categorie_metier <- factor(data3$categorie_metier)
round(prop.table(table(data3$categorie_metier)), 2)
#> 
#>    autre   cadres employes ouvriers prof_int 
#>     0.33     0.22     0.11     0.11     0.22

ou en augmentant la taille des groupes :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
gsize <- 100 * round(prop.table(table(data2$categorie_metier)), 2)
gsize
#> 
#> agriculteur     artisan       autre      cadres    employes    ouvriers 
#>           1           3          27          21          13          10 
#>    prof_int 
#>          25
sum(gsize)
#> [1] 100
gsize <- as.list(gsize)
 
#Génération du dataframe
data3 <- splitstackshape::stratified(data1, "categorie_metier", gsize)
prop.table(table(data3$categorie_metier))
#> 
#> agriculteur     artisan       autre      cadres    employes    ouvriers 
#>        0.01        0.03        0.27        0.21        0.13        0.10 
#>    prof_int 
#>        0.25
 
# Created on 2020-09-19 by the reprex package (v0.3.0.9001)

Notez aussi qu'il n'est pas nécessaire de créer une variable groupe si vous utilisez une seule variable de stratification.

Cordialement,

20/09/2020, 13h10
preliator

Merci beaucoup pour vos conseils :)

Après avoir vu la dernière modification que vous avez faite, je me permet de revenir une dernière fois pour tenter d'adapter le programme, dans le cas où on a plusieurs groupes à tester (categorie_metier et en_teletravail) :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
 
library(splitstackshape)
 
#Génération du dataframe, semblable à celui sur lequel je travaille
data1 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 429, replace = TRUE, prob = c(0.01, 0.05, 0.14, 0.41, 0.25, 0.04, 0.10)), en_teletravail = sample(c("0", "1"), 429, replace = TRUE, prob = c(0.59, 0.41)), stringsAsFactors = TRUE)
 
#Dans le data1, je crée une colonne qui colle les paramètres
data1$groupe = paste(data1$categorie_metier, data1$en_teletravail, sep = "")
 
#Génération du dataframe avec les probabilités souhaitées
data2 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 1000000, replace = TRUE, prob = c(0.01, 0.03, 0.27, 0.21, 0.13, 0.10, 0.25)), en_teletravail = sample(c("0", "1"), 1000000, replace = TRUE, prob = c(0.991, 0.009)), stringsAsFactors = TRUE)
data2$groupe <- paste(data2$categorie_metier, data2$en_teletravail, sep = "")
 
#On souhaite obtenir un dataframe avec 50 entrées
gsize <- 50 * round(prop.table(table(data2$groupe)), 1)
gsize = gsize[gsize != 0]
gsize = as.list(gsize)
 
#Génération du dataframe en sortie
data3 <- splitstackshape::stratified(data1, c("categorie_metier", "en_teletravail"), gsize, select = list(groupe = names(gsize)))
Error in sample.int(length(x), size, replace, prob) : 
  premier argument incorrect

Aurais-je oublié quelque chose ?

échantillonnage dataframe stratifié

Bonjour,

L'instruction

Code:

data3 <- splitstackshape::stratified(data1, c("categorie_metier", "en_teletravail"), gsize, select = list(groupe = names(gsize)))

suppose que les deux variables soient séparées par une espace, cf. l'exemple donné dans l'aide :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
set.seed(1)
DF <- data.frame(
  ID = 1:100,
  A = sample(c("AA", "BB", "CC", "DD", "EE"), 100, replace = TRUE),
  B = rnorm(100), C = abs(round(rnorm(100), digits=1)),
  D = sample(c("CA", "NY", "TX"), 100, replace = TRUE),
  E = sample(c("M", "F"), 100, replace = TRUE))
 
# Works with multiple groups as well
stratified(DF, c("D", "E"), 
           c("NY F" = 2, "NY M" = 3, "TX F" = 1, "TX M" = 1,
             "CA F" = 5, "CA M" = 1))

Votre programme fonctionne si vous remplacez c("categorie_metier", "en_teletravail") par "groupe" :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
# Génération du dataframe, semblable à celui sur lequel je travaille
data1 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 
                    429, replace = TRUE, prob = c(0.01, 0.05, 0.14, 0.41, 0.25, 0.04, 0.10)), 
                    en_teletravail = sample(c("0", "1"), 429, replace = TRUE, prob = c(0.59, 0.41)), stringsAsFactors = TRUE)
 
# Dans le data1, je crée une colonne qui colle les paramètres
data1$groupe = paste0(data1$categorie_metier, data1$en_teletravail)
 
# Génération du dataframe avec les probabilités souhaitées
data2 <- data.frame(categorie_metier = sample(c("agriculteur", "artisan", "autre", "cadres", "employes", "ouvriers", "prof_int"), 
                    1000000, replace = TRUE, prob = c(0.01, 0.03, 0.27, 0.21, 0.13, 0.10, 0.25)), 
                    en_teletravail = sample(c("0", "1"), 1000000, replace = TRUE, prob = c(0.991, 0.009)), stringsAsFactors = TRUE)
data2$groupe <- paste0(data2$categorie_metier, data2$en_teletravail)
 
# On souhaite obtenir un dataframe avec 50 entrées
gsize <- 50 * round(prop.table(table(data2$groupe)), 1)
gsize = gsize[gsize != 0]
sum(gsize)
#> [1] 45
gsize = as.list(gsize)
 
# Génération du dataframe en sortie
data3 <- splitstackshape::stratified(data1, c("groupe"), gsize, select = list(groupe = names(gsize)))
round(prop.table(table(data3$categorie_metier)), 2)
#> 
#> agriculteur     artisan       autre      cadres    employes    ouvriers 
#>        0.00        0.00        0.33        0.22        0.11        0.11 
#>    prof_int 
#>        0.22
round(prop.table(table(data3$en_teletravail)), 2)
#> 
#> 0 1 
#> 1 0

N.B. 1 : Vous créez data2 avec 9 télétravail pour 1000, ce qui correspond à 0 pour 50.
N.B. 2 : L'effectif de l'échantillon créé est de 45.

Cordialement,

20/09/2020, 19h51
preliator

Un énorme merci pour ces explications. Je met la discussion en "Résolu".

Cordialement.