如何按因子水平平衡data.frame中的观测样本？

正确术语 #

这个操作属于分层欠采样（Stratified Undersampling），也可称为固定数量分层抽样（Fixed-Size Stratified Sampling）。它是分层抽样的一种特殊应用：针对类别不平衡的数据集，对样本量过多的类别进行向下抽样（欠采样），最终让各因子水平的样本量趋于一致，解决手动抽样不适用于大数据集或多因子水平的问题。

通用实现方法 #

以下提供两种适用于任意规模数据集、任意多因子水平的R语言实现方案：

方案1：Base R原生实现 #

无需额外安装包，通过拆分-抽样-合并的逻辑完成：

# 定义每个类别目标抽样数量
target_n <- 50

# 按class分层抽样并合并结果
sampled_data <- do.call(rbind, lapply(split(data, data$class), function(subset) {
  # 自动适配样本量不足的类别（取全部样本）
  sample_size <- min(nrow(subset), target_n)
  subset[sample(nrow(subset), sample_size), ]
}))

方案2：tidyverse/dplyr简洁实现 #

适合习惯tidy语法的用户，代码更直观：

library(dplyr)

target_n <- 50

sampled_data <- data %>%
  group_by(class) %>%
  slice_sample(n = target_n) %>% # 无放回抽样，自动处理样本量不足的情况
  ungroup()

结果验证 #

执行后可通过以下代码查看各类别样本量：

table(sampled_data$class)

针对你的示例数据，输出会是A:50, B:50, C:50, D:50，总样本量200，符合需求。

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