如何根据Exposed数据集的Birth_Year分布过滤Unexposed数据集

核心思路 #

要让Unexposed的Birth_Year分布与Exposed完全一致，需完成三个关键步骤：

• 统一两个数据集的Birth_Year数据类型（Exposed为字符型，Unexposed为整数型）
• 统计Exposed中每个出生年份的个体数量
• 从Unexposed对应年份中抽取相同数量的样本

完整代码实现 #

首先加载dplyr包（未安装则先运行install.packages("dplyr")）：

library(dplyr)

1. 统一数据类型

# 将Exposed的Birth_Year转为整数型，与Unexposed保持一致
exposed <- exposed %>% mutate(Birth_Year = as.integer(Birth_Year))

2. 统计Exposed的年份分布

# 计算每个出生年份需要抽取的样本量
year_sample_counts <- exposed %>% 
  count(Birth_Year, name = "sample_size")

3. 抽取匹配样本

# 按年份分组，抽取对应数量的样本
matched_unexposed <- unexposed %>%
  group_by(Birth_Year) %>%
  sample_n(
    size = year_sample_counts$sample_size[year_sample_counts$Birth_Year == cur_group()$Birth_Year],
    replace = FALSE  # 不重复抽取同一个体
  ) %>%
  ungroup()

4. 验证匹配结果

运行以下代码确认两个数据集的年份分布完全一致：

# 查看Exposed的年份分布
exposed %>% count(Birth_Year)

# 查看匹配后Unexposed的年份分布
matched_unexposed %>% count(Birth_Year)

注意事项 #

• 若Unexposed中某年份的个体数量少于Exposed对应年份的数量，sample_n会报错。但你提到Unexposed规模远大于Exposed，因此无需担心此问题。
• 若需要可重复的随机抽样结果，可在代码开头添加set.seed(123)（123可替换为任意整数）。

内容的提问来源于stack exchange，提问作者Jamie