如何在分组内抽样type 0以匹配对应组type 1的样本量？

我拥有一个极不平衡的数据集，包含多个组，每组被划分为两类观测值。以下是结构的合成示例（实际数据包含数百个组和数百万条观测值）：

df <- data.frame(
  group = c(1, 1, 1, 1, 1,  1, 1,    2, 2, 2, 2, 2, 2,  2, 2, 2),
  type  = c(0, 0, 0, 0, 0,  1, 1,    0, 0, 0, 0, 0, 0,  1, 1, 1),
  value = c(1, 2, 3, 4, 5,  6, 7,    1, 2, 3, 4, 5, 6,  7, 8, 9)
)

我需要比较每组内各type的标准差，类似如下代码逻辑：

df %>% 
  group_by(group, type) %>%
  ## 此处需添加抽样逻辑...
  summarise(n    = n(), 
            mean = mean(value))

但两类观测值的数量不平衡，这会导致比较结果存在偏差。我计划通过抽样减少type 0的观测值数量，使其匹配每组对应type 1的观测值数量。我了解到可使用slice_sample()，但无法在这种分组-类型匹配的场景下正确运用，请问如何从每组的group+type0观测池中抽样，以匹配对应组group+type1观测池的大小？

可以通过先计算每组type1的样本量，再基于该数量对同组的type0进行抽样，具体实现有两种高效思路：

方法1：先统计样本量再关联抽样 #

library(dplyr)

# 先计算每组type1的观测数量
type1_counts <- df %>%
  filter(type == 1) %>%
  group_by(group) %>%
  summarise(n_type1 = n())

# 对type0进行抽样，匹配对应组type1的数量，同时保留所有type1数据
sampled_df <- df %>%
  left_join(type1_counts, by = "group") %>%
  group_by(group, type) %>%
  # 仅对type0执行抽样，type1保留全部
  slice_sample(n = ifelse(type == 0, first(n_type1), n())) %>%
  ungroup() %>%
  select(-n_type1) # 移除临时统计列

# 执行后续统计分析
sampled_df %>%
  group_by(group, type) %>%
  summarise(
    n = n(),
    mean = mean(value),
    sd = sd(value)
  )

方法2：分组内直接匹配样本量 #

这种方法无需额外关联表，直接在分组内完成逻辑处理，内存效率更高：

library(dplyr)

sampled_df <- df %>%
  group_by(group) %>%
  # 获取当前组type1的样本量
  mutate(n_type1 = sum(type == 1)) %>%
  group_by(group, type, .add = TRUE) %>%
  # 对type0抽样到同组type1的数量，type1保留全部
  slice_sample(n = ifelse(type == 0, first(n_type1), n())) %>%
  ungroup() %>%
  select(-n_type1)

# 执行后续统计分析
sampled_df %>%
  group_by(group, type) %>%
  summarise(
    n = n(),
    mean = mean(value),
    sd = sd(value)
  )

关键说明 #

• 两种方法都确保每组的type0样本量与同组type1完全一致，彻底解决数据不平衡带来的偏差问题
• slice_sample()的n参数支持条件判断，仅对type0执行抽样操作，type1数据完整保留
• 处理百万级数据时，方法2的性能更优，无需额外创建中间统计表

内容的提问来源于stack exchange，提问作者BoTz