又来麻烦版上各位大牛了，一个按概率抽样的问题

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

现在有如下两个数据集合：
data one：
content      group_id     group_prob_i;
123            1                 0.1
456            1                 0.9
789            2                 0.5
101            2                 0.5
...........................
............................

data two:
group_id         sample_size;
1                     4
2                     5
............................
.............................

data one里的三列是：content 是该次观测的实际内容值，那些123和456就是具体的值； group_id是指这次观测所在的组，1就是组1,2就是组2；group_prob_i是指该次观测值在其所在的组内按其表示的概率被抽到。第一行的0.1就是说，当抽样的时候，123这个值在组1中按照0.1的概率被抽到。

data two里的两列是：group_id还是指组的编号，sample_size是指对该组抽几次样。第一行里 group_id是1，就是针对组1；sample_size是4，就是进行四次抽样。结合data one的要求综合起来说就是：对组1按照data one里的概率进行4次抽样。这里抽样都是有放回的。

不知道各位大牛是否有什么好的办法。

先谢谢啦

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Content Sample Group Data size 概率 麻烦

1# akoug

也就是说第一个观测的被抽取一次的概率也不大，是吧？以为10次才有一次机会

0.1其实不代表十次里就能抽中一次吧............
写0.1只是帮助明确一下那个变量的含义，也即每个组其实都有相应的选取概率

akoug 发表于 2010-8-14 09:23
现在有如下两个数据集合：
data one：
content      group_id     group_prob_i;
123            1                 0.1
456            1                 0.9
789            2                 0.5
101            2                 0.5
...........................
............................

data two:
group_id         sample_size;
1                     4
2                     5
............................
.............................

data one里的三列是：content 是该次观测的实际内容值，那些123和456就是具体的值； group_id是指这次观测所在的组，1就是组1,2就是组2；group_prob_i是指该次观测值在其所在的组内按其表示的概率被抽到。第一行的0.1就是说，当抽样的时候，123这个值在组1中按照0.1的概率被抽到。

data two里的两列是：group_id还是指组的编号，sample_size是指对该组抽几次样。第一行里 group_id是1，就是针对组1；sample_size是4，就是进行四次抽样。结合data one的要求综合起来说就是：对组1按照data one里的概率进行4次抽样。这里抽样都是有放回的。

不知道各位大牛是否有什么好的办法。

先谢谢啦

1. 
   
2. data one_;
   
3.   set one;
   
4.   by group_id notsorted;
   
5.   retain rL rR;
   
6.   if first. group_id then do;
   
7.     rL = 0; rR = group_prob_i;
   
8.   end;
   
9.   else do;
   
10.     rL = rR;
    
11.     rR = rL + group_prob_i;
    
12.   end;
    
13. run;
    
14. data two_;
    
15.   set two;
    
16.   do sample = 1 to sample_size;
    
17.     r = ranuni(11);
    
18.     output;
    
19.   end;
    
20. run;
    
21. proc sql;
    
22.   create table Final as
    
23.     select _1. group_id, _1. group_prob_i, _2. sample_size, _1. content
    
24.       from one_ _1, two_ _2
    
25.         where _1. group_id = _2. group_id and
    
26.           rL < r <= rR;
    
27. quit;

复制代码

十分感谢jingju11 大牛啊
鞠躬
不过我用iml写了一个用矩阵算的意思差不多的code
敢问在处理大一点的数据上，效率有什么差别么

akoug 发表于 2010-8-14 23:32
十分感谢jingju11 大牛啊
鞠躬
不过我用iml写了一个用矩阵算的意思差不多的code
敢问在处理大一点的数据上，效率有什么差别么

说实话，不知道。不过有人认为，如果要处理矩阵的话，iml既简洁又高效。我看你的抽样类似于bootstrap，所以必定要做后续计算。所以，为什么不一直用iml？如果只是sampling，才有比较之必要。
另外，为什么不把你的iml贴出来呢？也好让大家学习。。。

以下是我的code，呵呵，献丑献丑

proc iml;
sm=10000000;

prob={0.2 0.3 0.1 0.4};

yuan=t(prob);
prob=0||prob;
length=ncol(prob);
do i=2 to length;
prob[i]=prob[i]+prob[i-1];
end;


nn={0 0 0 0};
nn=t(nn);
do n=1 to sm;

x=uniform(0);
in=0;
ii=1;
iii=1;
*b=0;

do while(in<1);

if x>=prob[ii]&x<=prob[ii+1] then
do;
b=iii;
in=1;

end;

iii=iii+1;

ii=ii+1;

end;

nn[b]=nn[b]+1;

end;
nn=nn/sm;
print prob;
print nn yuan;
run;