lib-01-sample-datasets.R

   1 # Functions for creating samples of datasets
   2 # Copyright (C) 2018  Nathan TeBlunthuis
   3
   4 # This program is free software: you can redistribute it and/or modify
   5 # it under the terms of the GNU General Public License as published by
   6 # the Free Software Foundation, either version 3 of the License, or
   7 # (at your option) any later version.
   8
   9 # This program is distributed in the hope that it will be useful,
  10 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  11 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  12 # GNU General Public License for more details.
  13
  14 # You should have received a copy of the GNU General Public License
  15 # along with this program.  If not, see <https://www.gnu.org/licenses/>.
  16
  17 sample.by.wiki <- function(dt,outcome,N.per.wiki=30){
  18     set.seed(0)
  19     sample.params <- dt[,.N,by=wiki.name]
  20     sample.params[,group.sd := dt[,.(group.sd=sd(.SD[[outcome]])),by=wiki.name]$group.sd]
  21
  22     sample.params[,p.in.group := N / nrow(dt)]
  23
  24     sample.params[,min.N := min(N)]
  25     sample.params[,n.from.group := pmin(min.N/(1-group.sd), N)]
  26
  27     sample.params[,p.sampled := n.from.group/N]
  28
  29     sample.params[,weight := 1/p.sampled]
  30     dt[sample.params,":="(prob=p.sampled,weight=weight),on=.(wiki.name)]
  31     sample.idx <- sample(nrow(dt),size=sum(sample.params$n.from.group,na.rm=TRUE),prob=dt$prob)
  32
  33     return(dt[sample.idx])
  34 }
  35
  36 sample.newcomers <- function()
  37 {
  38     wikis.to.remove <- newcomers[,.N,by="wiki.name"][N<30]$wiki.name
  39     remember(nrow(wikis.to.remove),"n.wikis.insufficient.newcomers")
  40     newcomers.presample <- newcomers[!(wiki.name  %in% wikis.to.remove)]
  41     newcomers.sample <- sample.by.wiki(newcomers.presample,"survives")
  42     return(newcomers.sample)
  43 }
  44
  45 sample.ns4.edits <- function(){
  46     wikis.to.keep <- ns4.reg.edits[,.(.N,N.reverts=sum(reverted)),by=wiki.name][(N>30)&(N.reverts > 30)]
  47     ns4.reg.edits.sub <- ns4.reg.edits[wiki.name %in% wikis.to.keep$wiki.name]
  48     ns4.reg.edits.sample <- sample.by.wiki(ns4.reg.edits.sub,"reverted")
  49     return(ns4.reg.edits.sample)
  50 }
  51
  52 sample.wiki.data <- function(){
  53     ## just choose 100 random wikis
  54     wikis.to.keep <- sample(unique(wiki.data$wiki.name),100)
  55     wiki.data.sample <- wiki.data[wiki.name %in% wikis.to.keep]
  56     return(wiki.data.sample)
  57 }