如何在R中按预设比例生成1000组5元素无重复抽样样本？

现有样本数据：

test <- c("a","b","c","d","e","f","g","h","i","j","k","l","m","n","o","p","q",
          "r","s","t","u","v","w","x","y","z")

需要生成1000组样本，每组包含5个唯一元素，且每个元素在所有样本中的总出现次数符合指定比例（例如"a"需约出现900次）。尝试以下代码后，元素出现比例未达预期（如"a"的出现比例远低于预期）：

sample_function <- function(){sample(test,5,replace = FALSE, prob = c('0.9',
'0.8','0.45','0.6','0.3','0.05','0.08','0.12','0.79','0.33','0.24','0.1','0.1',
'0.76','0.22','0.2','0.7','0.67','0.35','0.45','0.07','0.11','0.14','0.03','0.02',
'0.05')) }

sample_data <- replicate(1000,sample_function())
sum(sample_data=="a")

原代码问题分析 #

• prob参数传入字符串类型数值虽会被R自动转换，但核心问题是：当replace=FALSE时，sample的prob是元素被选中的相对权重，而非绝对概率。
• 无重复抽样限制了每个元素在单组中最多出现1次，直接用这种方式无法保证总出现次数接近目标比例（比如"a"要出现900次，意味着要进入90%的组）。

解决方案：基于目标次数的精准抽样 #

方法1：预构造元素池分割法 #

先按目标次数生成元素池，打乱后分割为1000组，确保总出现次数完全符合要求，同时避免组内重复。

# 1. 定义各元素目标出现次数（总次数需等于1000*5=5000）
target_counts <- c(
  a=900, b=800, c=450, d=600, e=300, f=50, g=80, h=120, i=790, j=330,
  k=240, l=100, m=100, n=760, o=220, p=200, q=700, r=670, s=350, t=450,
  u=70, v=110, w=140, x=30, y=20, z=50
)

test <- names(target_counts)

# 2. 生成包含目标次数的元素池
element_pool <- rep(test, times = target_counts)

# 3. 打乱池并分割为1000组（每组5个）
set.seed(123) # 设置随机种子保证结果可复现
element_pool <- sample(element_pool)
sample_data <- matrix(element_pool, ncol=1000, byrow=FALSE)

# 检查组内是否有重复（若目标次数分配合理，此情况极少）
any(apply(sample_data, 2, function(x) length(unique(x)) <5))

# 验证各元素总出现次数
table(c(sample_data))

方法2：迭代抽样法（更灵活） #

通过迭代逐组抽样，每次更新剩余可使用的元素次数，确保每组无重复且总次数精准达标。

set.seed(123)
sample_data <- matrix(NA, nrow=5, ncol=1000)
remaining_counts <- target_counts

for(col in 1:1000){
  # 从剩余次数>0的元素中抽5个无重复样本
  available_elements <- test[remaining_counts > 0]
  sampled <- sample(available_elements, 5, replace=FALSE)
  sample_data[,col] <- sampled
  # 扣除已使用的元素次数
  remaining_counts[sampled] <- remaining_counts[sampled] -1
}

# 验证结果
table(c(sample_data))

内容的提问来源于stack exchange，提问作者user17589146