sample_frac()与slice_sample()样本量不一致，二者准确性对比咨询

问题重现 #

在分组抽样场景下，替换旧函数sample_frac()为官方推荐的slice_sample(prop = )后，出现样本行数不一致的情况：

# 使用sample_frac(0.5)，输出44×61的tbl
as_tibble(volcano) %>% 
  group_by(V1) %>% 
  sample_frac(0.5)

# 使用slice_sample(prop = 0.5)，输出39×61的tbl
as_tibble(volcano) %>% 
  group_by(V1) %>% 
  slice_sample(prop = 0.5)

这种差异在每组行数小于15的小分组场景下会被放大，对抽样结果的一致性影响更明显。

核心差异：取整逻辑不同 #

两个函数的抽样逻辑本质区别在于非整数样本量的处理方式：

• sample_frac()：采用概率化取整。对每个分组计算n() * prop后，若结果不是整数，会以「小数部分的概率」抽取ceiling(n()*prop)行，以「1-小数部分的概率」抽取floor(n()*prop)行。比如3行分组取0.5，有50%概率抽1行，50%概率抽2行，长期平均样本量严格匹配设定比例。
• slice_sample(prop = )：采用固定向下取整。直接取floor(n() * prop)作为每个分组的样本量，比如3行分组取0.5，固定只抽1行，样本量完全可预测，但单次抽样的实际比例会略低于设定值。

哪个准确性更高？ #

准确性的定义取决于你的需求：

• 若追求统计意义上的长期平均比例准确，sample_frac()的概率化取整更符合要求，它能保证多次抽样后的平均样本量严格等于设定比例。
• 若需要单次抽样的样本量稳定、可预期，slice_sample()的固定取整更合适，避免了抽样结果的随机性波动，适合对样本量有明确硬限制的场景。

模拟sample_frac逻辑的slice_sample写法 #

如果需要使用slice_sample()但保留sample_frac()的概率化取整逻辑，可以手动计算每个分组的目标样本量：

as_tibble(volcano) %>% 
  group_by(V1) %>% 
  # 用二项分布随机确定每个分组的样本量
  mutate(target_n = rbinom(1, n(), 0.5)) %>% 
  slice_sample(n = first(target_n))

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