如何使用data.table按组按比例抽样？含无放回与有放回场景

无放回抽取每组50%样本 #

直接利用data.table的分组特性，结合sample()函数选取每组的行索引即可：

library(data.table)

# 构造示例数据
dt <- data.table(
  group = rep(letters[1:3], each = 10),
  value = rnorm(30)
)

# 无放回抽取每组50%样本
dt_sample_without <- dt[, .SD[sample(.N, round(.N * 0.5))], by = group]

• .N表示当前组的行数
• sample(.N, round(.N * 0.5))从组内随机选取50%数量的行号（默认无放回）
• .SD[行号]提取对应行组成子表

如果是超大数据集，推荐用更高效的索引写法，避免处理.SD：

dt_sample_without <- dt[dt[, .I[sample(.N, round(.N*0.5))], by = group]$V1]

.I是整个数据表的全局行索引，分组后筛选出目标索引再直接提取，性能更优。

有放回抽取每组50%样本 #

只需要在sample()中添加replace = TRUE参数即可开启有放回抽样：

# 有放回抽取每组50%样本
dt_sample_with <- dt[, .SD[sample(.N, round(.N * 0.5), replace = TRUE)], by = group]

同样可以用高效索引写法：

dt_sample_with <- dt[dt[, .I[sample(.N, round(.N*0.5), replace = TRUE)], by = group]$V1]

和dplyr的sample_frac(0.5, replace = TRUE/FALSE)逻辑一致，但data.table的分组操作在大数据场景下性能优势更明显。

内容的提问来源于stack exchange，提问作者Union find