如何一次性创建多个与原数据集分布一致的±100行分层样本？

核心思路 #

先锁定原数据集的Id分布比例，再按比例给每个样本包分配对应Id的行数，最后从原数据中抽取对应数据，保证每个样本包的分布和原数据一致，同时行数控制在100±10（结合你提供的示例图，默认围绕100行波动；若实际需求是±100的大范围，调整目标行数区间即可）。

具体步骤 #

• 第一步：统计原数据Id分布占比
  先算出每个Id（a、b、c）在总数据中的占比，比如总共有N行，a有Na行，占比就是 p_a = Na / N，同理算出p_b、p_c。这是保证样本分布匹配的核心基础，必须优先完成。

• 第二步：确定每个样本包的目标行数
  按需求设定每个样本包的行数范围（比如90-110行），可以随机在这个范围内选一个数作为当前样本包的目标总行数，也可以固定用100行、允许少量波动。

• 第三步：按占比分配每个Id的行数
  用样本包目标总行数乘以各Id的占比，得到每个Id的目标行数。这里需要取整，比如目标102行、p_a=40%，算出来是40.8，可以取42；p_b=30%是30.6，取31；剩下的102-42-31=29分配给c。取整时尽量贴合原占比，若总和和目标行数有差值，优先调整占比最高或最低的Id的行数，保证整体分布偏差最小。

• 第四步：抽取对应数据
  对每个Id的数据单独打乱顺序，然后按分配的行数依次抽取。比如把所有a的数据打乱后，分成若干份，每份对应样本包需要的a行数；b、c同理。这样能避免重复抽取，效率也更高。如果数据集不大，也可以每次抽取后把已选数据从原集中移除，直到所有数据分配完。

• 第五步：处理剩余数据
  最后如果剩下的数据不够组成一个完整的样本包（比如只剩50行），可以直接把这些剩余数据合并成一个样本包，或者把它们按比例拆分到之前的样本包里（如果允许样本包行数波动更大的话）。

示例参考（结合你提供的图） #

原数据a占40%、b占30%、c占30%：

• 样本包1（100行）：40条a、30条b、30条c
• 样本包2（102行）：42条a、31条b、29条c
• 后续样本包依此逻辑分配，直到所有数据处理完毕。

内容的提问来源于stack exchange，提问作者luisvenezian