在R语言中进行分层抽样时，如何指定目标总样本量？

我来帮你搞定这个自动化分层抽样的需求！你想要从5万次模拟的数据集中抽取1万次模拟，同时保留SCENARIO ID-TARGET ID组合的频率分布，之前用splitstackshape::stratified只能手动指定每组样本量，确实不够灵活。下面是一个全自动化的R实现方案，用dplyr和purrr就能搞定：

核心思路 #

我们的目标是让抽样后的1万次模拟中，每个SCENARIO ID-TARGET ID组合的出现频率和原数据集尽可能一致。具体步骤是：

• 统计原数据中每个组合对应的模拟数量及占比
• 根据总目标抽样数（1万）自动计算每个组合需要抽取的模拟数
• 按计算结果抽取模拟，最后调整数量确保刚好是1万次模拟

代码实现 #

假设你的数据集叫df，包含SIMULATION、SCENARIO ID、TARGET ID三列：

library(dplyr)
library(purrr)

# 1. 统计每个组合对应的所有唯一模拟，以及该组合的总模拟数
comb_sim_data <- df %>%
  distinct(SIMULATION, `SCENARIO ID`, `TARGET ID`) %>%
  group_by(`SCENARIO ID`, `TARGET ID`) %>%
  summarise(simulation_list = list(SIMULATION), .groups = "drop") %>%
  mutate(total_sim_count = length(simulation_list))

# 2. 计算每个组合的抽样比例和目标抽取数
total_original_sim <- length(unique(df$SIMULATION)) # 原模拟总数：50000
target_sim_count <- 10000 # 目标抽样数

comb_sim_data <- comb_sim_data %>%
  mutate(
    sim_proportion = total_sim_count / total_original_sim,
    target_sim = round(sim_proportion * target_sim_count)
  )

# 3. 处理四舍五入后的总数偏差（确保总抽样数刚好是10000）
count_diff <- target_sim_count - sum(comb_sim_data$target_sim)
if (count_diff != 0) {
  # 给模拟数最多的组合调整数量（补/减）
  comb_sim_data <- comb_sim_data %>%
    arrange(desc(total_sim_count)) %>%
    mutate(target_sim = target_sim + c(rep(sign(count_diff), abs(count_diff)), rep(0, n() - abs(count_diff)))) %>%
    arrange(`SCENARIO ID`, `TARGET ID`)
}

# 4. 按每个组合的目标数抽取模拟
sampled_sims <- comb_sim_data %>%
  pmap(function(`SCENARIO ID`, `TARGET ID`, simulation_list, target_sim, ...) {
    sample(simulation_list, size = target_sim, replace = FALSE)
  }) %>%
  unlist() %>%
  unique()

# 5. 最终调整：确保抽样的模拟数刚好是10000
if (length(sampled_sims) > target_sim_count) {
  sampled_sims <- sample(sampled_sims, size = target_sim_count, replace = FALSE)
} else if (length(sampled_sims) < target_sim_count) {
  remaining_sims <- setdiff(unique(df$SIMULATION), sampled_sims)
  sampled_sims <- c(sampled_sims, sample(remaining_sims, size = target_sim_count - length(sampled_sims), replace = FALSE))
}

# 6. 从原数据中提取最终抽样的所有行
final_sampled_data <- df %>%
  filter(SIMULATION %in% sampled_sims)

效果说明 #

• 这个流程完全自动化，不需要手动调整比例
• 通过按组合的模拟占比分配抽样数量，最大程度保留了原数据中SCENARIO ID-TARGET ID组合的频率分布
• 最后的调整步骤确保你刚好得到1万次模拟的样本

内容的提问来源于stack exchange，提问作者Bemused