在R中生成覆盖75%组合、规模约15000的5变量5水平数据集方法求助

实现步骤与代码 #

1. 生成所有变量组合
   首先用expand.grid()生成x1到x5的全部3125种水平组合：

# 生成所有可能的变量组合
full_combinations <- expand.grid(
  x1 = 1:5,
  x2 = 1:5,
  x3 = 1:5,
  x4 = 1:5,
  x5 = 1:5
)

2. 抽取75%的目标组合
   计算需要保留的组合数（约2344个），并随机抽取：

# 计算目标组合数（75%总组合数）
target_combo <- round(nrow(full_combinations) * 0.75)
# 随机选中目标组合
selected_combo <- full_combinations[sample(nrow(full_combinations), target_combo), ]

3. 生成约15000条观测数据
   这里提供两种实现方式，按需选择：

方式一：均匀分配重复次数（每个组合重复次数差异极小）

这种方式会让每个选中的组合重复次数基本一致，总观测数刚好15000：

target_n <- 15000
# 基础重复次数
base_rep <- target_n %/% target_combo
# 需要额外多重复1次的组合数
extra_rep <- target_n %% target_combo

# 给选中的组合分配重复次数
selected_combo$rep <- base_rep
selected_combo$rep[sample(nrow(selected_combo), extra_rep)] <- base_rep + 1

# 展开成最终数据集
final_data <- selected_combo[rep(seq_len(nrow(selected_combo)), selected_combo$rep), ]
# 移除重复次数列
final_data$rep <- NULL

# 随机打乱行顺序（可选）
final_data <- final_data[sample(nrow(final_data)), ]

方式二：随机重复抽样（重复次数更随机）

直接从选中的组合中有放回抽样15000次，实现更简单：

target_n <- 15000
# 有放回抽样生成最终数据集
final_data <- selected_combo[sample(nrow(selected_combo), target_n, replace = TRUE), ]

# 随机打乱行顺序（可选）
final_data <- final_data[sample(nrow(final_data)), ]

验证结果 #

可以用以下代码确认数据集是否符合要求：

# 查看总观测数
nrow(final_data)
# 查看覆盖的组合数
length(unique(apply(final_data, 1, paste, collapse = "-")))

内容的提问来源于stack exchange，提问作者EB3112