使用dplyr实现带最小样本量约束的分层比例分配抽样

要实现你需求的「比例分配抽样+每个层至少抽1个样本」，我们可以把计算逻辑和抽样步骤整合到dplyr的管道操作里，一步到位。下面是完整的解决方案：

完整代码示例 #

library(dplyr)
set.seed(123) # 设置随机种子，确保结果可重复

# 构造你的原始数据
var = c(rep("A",10),rep("B",10),rep("C",3),rep("D",5),"E","F")
value = rnorm(30)
dat = tibble(var, value)

# 执行带约束的比例分配抽样
sampled_dat <- dat %>%
  group_by(var) %>%
  # 1. 计算每个层的大小、权重，以及目标样本量
  mutate(
    ni = n(), # 当前层的总体数量
    weight = ni / nrow(dat), # 层权重（ni/总总体量）
    target_sample = pmax(ni * weight, 1) %>% round() # 计算目标样本量，小于1则设为1，再转整数
  ) %>%
  # 2. 按调整后的目标样本量在每层抽样
  slice_sample(n = first(target_sample)) %>%
  # 3. 清理结果，保留需要的列并取消分组
  ungroup() %>%
  select(var, value)

# 查看抽样结果
sampled_dat

代码分步解释 #

1. 分组与基础计算：

   • group_by(var)：按你的层变量var分组，针对每个层单独处理。
   • ni = n()：获取当前层的总体数量。
   • weight = ni / nrow(dat)：计算每个层的权重（层大小/总体总量），这是比例分配的核心依据。

2. 目标样本量调整：

   • pmax(ni * weight, 1)：用pmax函数确保计算出的样本量（ni * weight）如果小于1，就自动替换为1，满足你「至少抽1个样本」的约束。
   • %>% round()：把计算出的非整数样本量转为整数（毕竟抽样数量必须是整数；如果需要向上取整可以用ceiling，向下取整用floor，根据你的需求调整即可）。

3. 抽样与结果清理：

   • slice_sample(n = first(target_sample))：dplyr的slice_sample专门用于抽样，这里取每个组的第一个target_sample值（因为同组内该值都相同）作为抽样数量。
   • ungroup()：可选操作，取消分组让结果更整洁；select(var, value)保留你需要的列，去掉中间计算的辅助列。

抽样结果验证 #

按照你的数据结构，最终每个层的抽样数量会是：

• A层：3个（10*(10/30)≈3.33，取整为3）
• B层：3个（同A层）
• C层：1个（3*(3/30)=0.3，触发最小样本约束）
• D层：1个（5*(5/30)≈0.83，触发最小样本约束）
• E/F层：各1个（都触发最小样本约束）

这样既满足了比例分配的要求，又保证了小层不会被遗漏。

内容的提问来源于stack exchange，提问作者Homer Jay Simpson