R语言组内子组各类型等数量抽样失败：问题排查与修正

数据集与需求 #

我有一份按group（组）、subgroup（子组）、type（类型）划分的数据集，模拟代码如下：

data <- data.frame(group    = sample(c(1:30),    10000, replace = TRUE),
                   subgroup = sample(c(1:100),   10000, replace = TRUE),
                   type     = sample(c("A", "B"), 10000, replace = TRUE),
                   value    = sample(c(1:100),    10000, replace = TRUE))

需求是：在每个group+subgroup组合下，对type A和type B抽取等量样本，同时剔除group+subgroup+type组合中无数据（N=0）的情况。

我的尝试与问题 #

第一步：计算抽样量 #

library(tidyverse)

n_to_sample <- data %>%
  group_by(group, subgroup, type) %>% 
  summarise(n = n()) %>%
  pivot_wider(id_cols = c("group", "subgroup"),
              names_from =  "type",
              values_from = "n") %>%
  rowwise() %>%
  mutate(lowestN = min(A, B)) %>%
  ungroup() %>% 
  filter(!is.na(lowestN)) %>%
  select (group, subgroup, lowestN)

第二步：执行抽样 #

data_sampled <- data %>%
  left_join(n_to_sample, by = c("group", "subgroup")) %>% 
  filter(!is.na(lowestN)) %>%
  arrange(group, type) %>%
  filter(row_number() %in% c(sample(which(type == "A"), mean(lowestN)),
                             sample(which(type == "B"), mean(lowestN))),
         .by = c("group", "subgroup")) 

验证代码与问题 #

我用以下代码验证抽样结果：

data %>%
  count(group, type, subgroup) %>%
  arrange(group, subgroup, type) %>%
  pivot_wider(id_cols = c("group", "subgroup"),
              names_from =  "type",
              values_from = "n")

结果显示计数变量存在大量NA，说明抽样方案未成功。

错误分析与修正方案 #

核心错误点 #

1. 验证对象错误：你用原数据集data而非抽样后的data_sampled做验证，原数据本身就存在group+subgroup下仅包含A或仅包含B的情况，自然会出现NA，这不是抽样逻辑的问题。
2. 抽样量计算错误：使用mean(lowestN)会取所有组的抽样量均值，而非当前group+subgroup组合对应的lowestN，导致抽样数量不符合需求。
3. 抽样逻辑混乱：row_number() %in% sample(which(type == "A"), ...)的写法在分组内逻辑冲突，row_number()是整个group+subgroup组的行号，which(type == "A")是组内type为A的行位置，两者混用会导致抽样范围错误。

修正后的完整代码 #

步骤1：重新计算抽样量（简化逻辑）

n_to_sample <- data %>%
  count(group, subgroup, type) %>%
  pivot_wider(id_cols = c(group, subgroup),
              names_from = type,
              values_from = n) %>%
  filter(!is.na(A) & !is.na(B)) %>% # 直接过滤掉A/B缺失的组合
  rowwise() %>%
  mutate(lowestN = min(A, B)) %>%
  ungroup() %>%
  select(group, subgroup, lowestN)

步骤2：正确执行抽样

data_sampled <- data %>%
  inner_join(n_to_sample, by = c("group", "subgroup")) %>% # 内连接自动过滤不符合的组合
  group_by(group, subgroup, type) %>%
  slice_sample(n = first(lowestN)) %>% # 每个分组抽取对应数量的样本
  ungroup()

正确的验证代码

# 验证每个group+subgroup下A和B的抽样数量是否相等
data_sampled %>%
  count(group, subgroup, type) %>%
  pivot_wider(id_cols = c(group, subgroup),
              names_from = type,
              values_from = n) %>%
  filter(A != B) # 结果为空则说明抽样正确

修正逻辑说明 #

• 用inner_join替代left_join+filter，直接排除掉A/B缺失的group+subgroup组合，避免NA干扰。
• 用slice_sample按group+subgroup+type分组抽样，逻辑更清晰，直接调用当前组的lowestN作为抽样数量。
• 验证时必须使用抽样后的data_sampled，才能准确检查抽样结果是否符合要求。

内容的提问来源于stack exchange，提问作者BoTz