R语言实现数据集多次子采样并确保所有行至少被选中一次

实现思路 #

• 核心逻辑：每次采样后，记录未被选中的行，后续优先从这些未选中的行中抽取，直到所有行都被覆盖
• 步骤：
  1. 初始化一个标记向量，记录每行是否被选中过
  2. 循环进行采样：
     • 先筛选出未被选中的行，若未被选中的行数量≤800，则将这些行全部纳入本次采样，剩余的采样名额从已选中的行中随机补充
     • 若未被选中的行数量>800，则直接从未被选中的行中随机抽取800行
  3. 更新标记向量，检查是否所有行都已被选中，若已全部覆盖则停止循环

R代码实现 #

# 模拟1000行数据集（实际使用时替换为你的数据集）
set.seed(123) # 设置随机种子保证结果可复现
dataset <- data.frame(matrix(rnorm(1000*5), nrow = 1000))
rownames(dataset) <- paste0("Row", 1:1000)

# 初始化参数
total_rows <- nrow(dataset)
sample_size <- floor(0.8 * total_rows) # 800行
selected_flag <- rep(FALSE, total_rows) # 标记每行是否被选中过
subsamples_list <- list() # 存储所有子样本

# 循环采样直到所有行都被选中
while(!all(selected_flag)){
  # 获取未被选中的行索引
  unselected_idx <- which(!selected_flag)
  unselected_count <- length(unselected_idx)
  
  if(unselected_count <= sample_size){
    # 未选中行不足800，全部纳入，剩下的从已选中行里补
    current_sample_idx <- c(unselected_idx, 
                           sample(which(selected_flag), size = sample_size - unselected_count))
  } else {
    # 未选中行超过800，直接从中抽取800行
    current_sample_idx <- sample(unselected_idx, size = sample_size)
  }
  
  # 更新选中标记
  selected_flag[current_sample_idx] <- TRUE
  # 提取子样本并存入列表
  subsamples_list[[length(subsamples_list)+1]] <- dataset[current_sample_idx, ]
}

# 查看采样次数
cat("总共进行了", length(subsamples_list), "次子采样\n")

# 验证所有行是否都被选中
cat("是否所有行都被选中：", all(selected_flag), "\n")

代码说明 #

• set.seed(123)：设置随机种子，让采样结果可重复
• selected_flag：布尔向量，全程跟踪每行的选中状态，确保不会遗漏任何行
• 循环终止条件!all(selected_flag)：只要还有未被选中的行，就继续采样
• 两种采样分支：根据未选中行的数量动态调整采样策略，优先覆盖未选中的行，保证最快实现全覆盖

额外说明 #

• 如果需要控制最大采样次数，可以在循环中加入次数限制（比如while(!all(selected_flag) && length(subsamples_list) < 10)），避免极端情况下的无限循环
• 实际使用时，将dataset替换为你的真实数据集即可

内容的提问来源于stack exchange，提问作者Nmgh