在R中按diet分组随机抽取2个species并保留对应所有行的方法

原始数据 #

# 构造示例数据框df
df <- data.frame(
  species = c("blue", "blue", "red", "yellow", "yellow", "yellow", 
              "black", "white", "maroon", "orange", "orange", "orange"),
  diet = c(rep("round", 6), rep("square", 6)),
  row.names = paste0("a", 1:12)
)

需求说明 #

针对diet的每个分组，随机抽取2个不重复的species，同时保留该物种对应的所有行；理想状态下可循环执行多次，且每次抽取的物种不重复。

单次抽取实现 #

利用dplyr的分组筛选逻辑，先在每个diet分组内随机选2个唯一物种，再匹配回原数据保留所有对应行：

library(dplyr)

# 设置随机种子保证结果可复现
set.seed(123)
single_result <- df %>%
  group_by(diet) %>%
  # 每组内随机选取2个唯一species
  filter(species %in% sample(unique(species), size = 2)) %>%
  ungroup()

# 查看结果
print(single_result)

运行后输出示例：

# A tibble: 5 × 2
  species diet  
  <chr>   <chr> 
1 blue    round 
2 blue    round 
3 red     round 
4 black   square
5 white   square

多次无重复抽取实现 #

如果需要循环多次抽取且同一分组内的物种不会重复被选中，可以编写如下函数：

# 定义多次无重复抽取函数
repeat_sample_species <- function(data, num_per_group = 2, repeat_times = 3) {
  # 初始化结果列表和已抽取物种记录
  result_list <- list()
  sampled_tracker <- data %>%
    distinct(diet, species) %>%
    mutate(is_sampled = FALSE)
  
  for(i in 1:repeat_times) {
    # 筛选每个分组中未被抽取的物种，随机选指定数量
    target_species <- sampled_tracker %>%
      group_by(diet) %>%
      filter(!is_sampled) %>%
      # 若剩余物种不足指定数量，取全部剩余
      slice_sample(n = min(num_per_group, n())) %>%
      ungroup()
    
    # 无可用物种时提前终止循环
    if(nrow(target_species) == 0) break
    
    # 匹配原数据得到本次抽取结果
    current_result <- data %>%
      inner_join(target_species %>% select(diet, species), by = c("diet", "species"))
    
    # 更新已抽取记录
    sampled_tracker <- sampled_tracker %>%
      left_join(target_species %>% mutate(is_sampled = TRUE), by = c("diet", "species")) %>%
      mutate(is_sampled = coalesce(is_sampled.y, is_sampled.x)) %>%
      select(-is_sampled.x, -is_sampled.y)
    
    # 存入结果列表
    result_list[[i]] <- current_result
  }
  
  return(result_list)
}

# 调用函数执行3次无重复抽取
set.seed(456)
repeated_results <- repeat_sample_species(df, num_per_group = 2, repeat_times = 3)

# 查看第一次抽取结果
print(repeated_results[[1]])
# 查看第二次抽取结果
print(repeated_results[[2]])

这个函数会自动跳过已经抽取过的物种，直到指定次数执行完毕或分组内无剩余物种可选。

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