在R中从大数据集B抽取匹配数据集A的统计合理子集C的方法

针对你遇到的B数据量过大覆盖A特征、随机抽样结果不稳定的问题，以下是几种统计合理的抽样方法，附R代码实现：

1. 固定随机种子的简单随机抽样（快速稳定结果） #

如果不需要严格匹配A的变量分布，只是想让每次运行脚本得到相同的抽样结果，只需在抽样前设置固定随机种子，既保证随机性又能复现结果：

library(dplyr)
set.seed(123) # 种子值可自定义，固定后每次抽样结果一致
C <- B %>% sample_n(size = nrow(A)) # 自动匹配A的700行规模

2. 按变量a分层抽样（匹配核心变量分布） #

如果需要让子集C的变量a分布和A尽可能一致，避免抽样偏差，可按a的分位数分层，每层按比例抽取对应数量的样本：

library(dplyr)
# 给A的变量a分箱（示例分5层，可根据分布调整）
A$a_bin <- cut(A$a, breaks = 5, labels = FALSE)
# 统计A各层的样本占比
a_dist <- table(A$a_bin) / nrow(A)
# 按相同占比从B的对应层中抽样
C <- B %>%
  mutate(a_bin = cut(a, breaks = 5, labels = FALSE)) %>%
  group_by(a_bin) %>%
  slice_sample(n = round(a_dist[as.character(cur_group()$a_bin)] * nrow(A))) %>%
  ungroup() %>%
  select(-a_bin) # 移除临时分箱列

3. 多变量匹配抽样（倾向得分匹配） #

如果需要同时匹配a、b、c、d多个变量的分布，用倾向得分匹配从B中筛选和A特征最相似的700个样本：

library(MatchIt)
# 合并数据集并标记分组
combined <- bind_rows(
  mutate(A, group = "A"),
  mutate(B, group = "B")
)
# 构建倾向得分模型，用所有变量预测分组
ps_model <- matchit(group ~ a + b + c + d, data = combined, method = "nearest", ratio = 1)
# 提取匹配后的B子集C
C <- match.data(ps_model) %>% filter(group == "B") %>% select(-group, -distance, -weights)

内容的提问来源于stack exchange，提问作者Teena