如何从指定数据框中均匀抽样，且每个谱系仅保留一个代表？

第一步：先为每个谱系（V4）保留唯一代表 #

你需要先确保每个谱系只留下一个样本，后续再对这些去重后的样本做均匀抽样。这里提供两种常用方式：

1. 随机选取每个谱系的一个样本：

# 每个谱系随机抽取1个样本
lineage_unique <- tb_profiler_barcodes %>%
  group_by(V4) %>%
  slice_sample(n = 1) %>%
  ungroup()

2. 选取每个谱系中position最接近中位数的样本（更具代表性）：

# 每个谱系选position最接近该谱系中位数的样本
lineage_unique <- tb_profiler_barcodes %>%
  group_by(V4) %>%
  mutate(median_pos = median(V2)) %>%
  slice(which.min(abs(V2 - median_pos))) %>%
  ungroup() %>%
  select(-median_pos)  # 移除辅助计算列

第二步：对去重后的样本做均匀抽样 #

基于第一步得到的lineage_unique，可以通过以下两种方法实现position的均匀抽样：

方法一：分箱抽取

将整个position范围分成指定数量的区间，每个区间选取一个样本：

# 设置分箱数量（可根据需求调整）
bin_count <- 150

uniform_samples <- lineage_unique %>%
  arrange(V2) %>%
  # 按position范围分箱
  mutate(bin = cut(V2, breaks = bin_count, labels = FALSE)) %>%
  # 每个箱选一个样本（也可换成slice_sample随机选）
  group_by(bin) %>%
  slice(1) %>%
  ungroup() %>%
  select(-bin)  # 移除分箱标记列

方法二：匹配均匀目标位置

生成均匀分布的目标position，匹配每个目标位置最近的样本：

# 设置需要抽取的样本数量
sample_count <- 150

# 获取去重样本的position范围
pos_range <- range(lineage_unique$V2)

# 生成均匀分布的目标位置
target_pos <- seq(pos_range[1], pos_range[2], length.out = sample_count)

# 为每个目标位置匹配最近的样本
uniform_samples <- purrr::map_dfr(target_pos, function(pos) {
  lineage_unique %>%
    slice(which.min(abs(V2 - pos))) %>%
    mutate(target_position = pos)
}) %>%
  distinct(V4, .keep_all = TRUE)  # 确保同一个谱系不会被重复选中

注意事项 #

• 如果你的谱系总数少于设置的抽样数，最终样本数会等于谱系总数（因为每个谱系只能保留一个）
• 可根据需求灵活调整bin_count或sample_count的值
• 你之前的代码存在变量名错误：binned_sorted <- sorted_df %>% ...中的sorted_df应改为sorted_barcodes

内容的提问来源于stack exchange，提问作者Mary