大DataFrame匹配与指定量随机抽样问题求助

你的问题出在**mapply的返回格式处理不当**，以及循环式抽样对百万级数据效率极低。下面给出两种高效的解决方案，尤其适合大规模数据集：

方法一：用dplyr实现分组抽样（推荐，代码简洁） #

利用dplyr的分组功能，结合命名向量匹配每组的样本量，一次性完成抽样：

library(dplyr)

# 将sampledf转换为命名向量，方便按Gender匹配样本量
sample_size_vec <- setNames(sampledf$samplesize, sampledf$ID)

# 按Gender分组，抽取对应样本量的随机行
result <- bigdf %>%
  group_by(Gender) %>%
  slice_sample(n = sample_size_vec[cur_group()$Gender]) %>%
  ungroup()

print(result)

运行示例数据会得到类似以下的随机结果（抽样随机，具体行可能不同）：

# A tibble: 3 × 2
  Name  Gender
  <chr> <chr> 
1 Ben   male  
2 Laura female
3 Tina  female

方法二：用data.table实现高效抽样（百万级数据首选） #

如果你的bigdf真的有百万条记录，data.table的分组抽样效率远高于dplyr，适合处理大规模数据：

library(data.table)

# 转换为data.table格式
setDT(bigdf)
setDT(sampledf)

# 按Gender匹配样本量，分组抽样
result <- bigdf[sampledf, on = .(Gender = ID), 
                .SD[sample(.N, i.samplesize)], 
                by = .EACHI]

# 整理列顺序（可选）
setcolorder(result, c("Name", "Gender"))
print(result)

原代码出错原因 #

1. mapply返回的是列表对象，直接输出会被强制转换为数据框，导致出现大量空列（因为每个列表元素是不同行数的子数据框），即便用do.call(rbind, ...)合并，这种循环方式对百万级数据效率也极低。
2. 函数中直接引用全局变量bigdf，加上循环调用，会大幅增加内存开销和运行时间。

内容的提问来源于stack exchange，提问作者aquesada