如何轻松生成/模拟不同组的示例数据以进行建模

Question

如何轻松生成/模拟有意义的建模示例数据：例如，告诉我给我 n 行数据，对于 2 个组，他​​们的性别分布和平均年龄应分别相差 X 和 Y 单位？有没有一种简单的方法可以自动完成？有包吗？

例如，生成此类数据的最简单方法是什么？

• 组： 两组：A、B
• 性别： 不同性别分布：A 30%，B 70%
• 年龄： 不同平均年龄：A 50 ，B 70

PS！ Tidyverse 解决方案特别受欢迎。

到目前为止，我最好的尝试仍然是相当多的代码：

n=100
d = bind_rows(
  #group A females
  tibble(group = rep("A"),
         sex = rep("Female"),
         age = rnorm(n*0.4, 50, 4)),
  #group B females
  tibble(group = rep("B"),
         sex = rep("Female"),
         age = rnorm(n*0.3, 45, 4)),
  #group A males
  tibble(group = rep("A"),
         sex = rep("Male"),
         age = rnorm(n*0.20, 60, 6)),
  #group B males
  tibble(group = rep("B"),
         sex = rep("Male"),
         age = rnorm(n*0.10, 55, 4)))

< img src="https://i.sstatic.net/NA4gR.png" alt="在此处输入图像描述">

d %>% group_by(group, sex) %>% 
  summarise(n = n(),
            mean_age = mean(age))

Answer 1

在 R 中，有很多方法可以从向量中进行采样并从随机分布中进行绘制。例如，您请求的数据集可以这样创建：

set.seed(69) # Makes samples reproducible

df <- data.frame(groups = rep(c("A", "B"), each = 100),
                 sex = c(sample(c("M", "F"), 100, TRUE, prob = c(0.3, 0.7)),
                         sample(c("M", "F"), 100, TRUE, prob = c(0.5, 0.5))),
                 age = c(runif(100, 25, 75), runif(100, 50, 90)))

我们可以使用 tidyverse 来显示它执行了预期的操作：

library(dplyr)

df %>% 
  group_by(groups) %>% 
  summarise(age = mean(age),
            percent_male = length(which(sex == "M")))
#> # A tibble: 2 x 3
#>   groups   age percent_male
#>   <chr>  <dbl>        <int>
#> 1 A       49.4           29
#> 2 B       71.0           50