Как повысить производительность при случайном выборе кластеров и добавлении наблюдений?

В кластеризованном наборе данных я хочу случайным образом выбрать несколько кластеров, а затем добавить несколько смоделированных наблюдений к выбранным кластерам. Затем я хочу создать набор данных, который объединяет смоделированные и исходные наблюдения из выбранных кластеров со всеми исходными наблюдениями из невыделенных кластеров. Я также хотел бы повторить этот процесс много раз и таким образом создать много (возможно, 1000) новых наборов данных. Мне удалось сделать это с помощью цикла for, но я хотел бы знать, есть ли более эффективный и краткий способ сделать это. Вот пример набора данных:

## simulate some data
y <- rnorm(20)
x <- rnorm(20)
z <- rep(1:5, 4)
w <- rep(1:4, each=5)
dd <- data.frame(id=z, cluster=w, x=x, y=y)
#    id cluster           x           y
# 1   1       1  0.30003855  0.65325768
# 2   2       1 -1.00563626 -0.12270866
# 3   3       1  0.01925927 -0.41367651
# 4   4       1 -1.07742065 -2.64314895
# 5   5       1  0.71270333 -0.09294102
# 6   1       2  1.08477509  0.43028470
# 7   2       2 -2.22498770  0.53539884
# 8   3       2  1.23569346 -0.55527835
# 9   4       2 -1.24104450  1.77950291
# 10  5       2  0.45476927  0.28642442
# 11  1       3  0.65990264  0.12631586
# 12  2       3 -0.19988983  1.27226678
# 13  3       3 -0.64511396 -0.71846622
# 14  4       3  0.16532102 -0.45033862
# 15  5       3  0.43881870  2.39745248
# 16  1       4  0.88330282  0.01112919
# 17  2       4 -2.05233698  1.63356842
# 18  3       4 -1.63637927 -1.43850664
# 19  4       4  1.43040234 -0.19051680
# 20  5       4  1.04662885  0.37842390

cl <- split(dd, dd$cluster)  ## split the data based on clusters 
k <- length(dd$id)
l <- length(cl)

`%notin%` <- Negate(`%in%`)  ## define "not in" to exclude unselected clusters so
                             ## as to retain their original observations

Затем создается clsamp функция в следующем коде, которая включает два цикла for. Первый цикл for предназначен для исключения невыделенных кластеров, а второй цикл for предназначен для моделирования новых наблюдений и добавления их к выбранным кластерам. Обратите внимание, что я произвольно выбираю 2 кластера (10% от общего количества наблюдений) без замены

clsamp <- function(cl, k) {
  a <- sample(cl, size=0.1*k, replace=FALSE)  
  jud <- (names(cl) %notin% names(a))  
  need <- names(cl)[jud] 
  T3 <- NULL
  for (k in need) {
    T3 <- rbind(T3, cl[[k]])  
  }
  subt <- NULL
  s <- a
  for (j in 1:2) {
    y <- rnorm(2)
    x <- rnorm(2)
    d <- cbind(id=nrow(a[[j]]) + c(1:length(x)), 
               cluster=unique(a[[j]]$cluster), x, y)
    s[[j]] <- rbind(a[[j]], d)
    subt <- rbind(subt, s[[j]])
  }
  T <- rbind(T3, subt)
  return(T)
}

Наконец, это создает список из 5 наборов данных, каждый из которых объединяет смоделированные и исходные наблюдения из выбранных кластеров со всеми исходными наблюдениями из невыделенных кластеров.

Q <- vector(mode="list", length=5)
for (i in 1:length(Q)) {
  Q[[i]] <- clsamp(cl, 20)
}

Кто-нибудь знает более короткий способ сделать это? Может воспользоваться функцией replicate? Спасибо.