如何在R语言中从数据框抽取未被采样过的新样本

情况1：已抽取第一份样本（sample），需排除后抽取新样本 #

由于原数据exec_names的每行是唯一个体（即使execid重复，行索引仍有区分），可通过以下两种方式实现：

基础R实现 #

先定位原数据中未被抽中的行，再从中抽样：

# 获取原数据中不在已抽样本里的行索引
remaining_rows <- which(!rownames(exec_names) %in% rownames(sample))
# 从剩余行中抽取100行
new_sample <- exec_names[sample(remaining_rows, 100), ]

dplyr包实现（更直观） #

若习惯使用tidyverse工具，用anti_join筛选未被抽样的行后再抽取：

library(dplyr)
# 筛选原数据中不在已抽样本内的所有行
remaining_data <- anti_join(exec_names, sample, by = c("execid", "exec_fname", "coname_execucomp"))
# 从剩余数据中抽取100行
new_sample <- remaining_data %>% sample_n(100)

注意：如果数据存在完全重复的行（所有列值均一致），anti_join会排除所有重复项，此时建议用行索引的方法更精准。

情况2：提前规划抽样（更稳妥） #

如果还未抽取第一份样本，或想重新规范流程，可先生成全局随机索引分组，确保两份样本完全不重叠：

# 生成所有行的随机顺序索引
all_indices <- sample(nrow(exec_names))
# 第一份100行样本
sample1 <- exec_names[all_indices[1:100], ]
# 第二份100行样本（从剩余行中选取）
sample2 <- exec_names[all_indices[101:200], ]

这种方式从根源避免了重复抽样问题，适合需要多份独立不重叠样本的场景。

内容的提问来源于stack exchange，提问作者bear_525