如何基于最小样本的Date_Diff分布对数据框分组抽样？

我明白你想要的是匹配目标分布的分层抽样——也就是让Y、Z这些物种的抽样结果，Date_Diff的分布和最小样本的X物种保持一致，而不是单纯随机抽取相同数量的样本。咱们可以通过分层抽样的方式来实现，具体步骤如下：

1. 先获取基准物种（X）的Date_Diff分布 #

首先我们需要统计X物种中每个Date_Diff值的出现比例，再根据目标样本量（25）计算出每个Date_Diff类别需要抽取的数量：

# 生成基准分布表
base_dist <- df %>%
  filter(Veg_Species == 'X') %>%
  count(Date_Diff, name = "base_count") %>%  # 统计每个Date_Diff的数量
  mutate(base_prop = base_count / sum(base_count)) %>%  # 计算比例
  mutate(target_n = round(base_prop * 25))  # 计算每个类别需要抽取的数量

2. 对单个物种（比如Z）进行匹配分布的抽样 #

有了基准分布后，我们可以针对单个物种，按Date_Diff分层抽取对应数量的样本：

sample_z <- df %>%
  filter(Veg_Species == 'Z') %>%
  group_by(Date_Diff) %>%
  sample_n(
    # 匹配基准分布的目标抽取数量
    size = base_dist$target_n[match(Date_Diff, base_dist$Date_Diff)],
    # 如果当前类别数量不足，允许有放回抽样（避免报错）
    replace = ifelse(n() < base_dist$target_n[match(Date_Diff, base_dist$Date_Diff)], TRUE, FALSE)
  ) %>%
  ungroup()

3. 封装成通用函数，批量处理所有物种 #

如果需要对所有物种统一处理，可以把逻辑封装成函数，这样更高效：

sample_match_dist <- function(data, base_species, target_n) {
  # 第一步：获取基准物种的分布
  base_dist <- data %>%
    filter(Veg_Species == base_species) %>%
    count(Date_Diff, name = "base_count") %>%
    mutate(base_prop = base_count / sum(base_count)) %>%
    mutate(target_n = round(base_prop * target_n))
  
  # 第二步：对每个物种应用分层抽样
  data %>%
    group_by(Veg_Species) %>%
    group_modify(function(group, .key) {
      group %>%
        group_by(Date_Diff) %>%
        sample_n(
          size = base_dist$target_n[match(Date_Diff, base_dist$Date_Diff)],
          replace = ifelse(n() < base_dist$target_n[match(Date_Diff, base_dist$Date_Diff)], TRUE, FALSE)
        ) %>%
        ungroup()
    }) %>%
    ungroup()
}

# 调用函数：以X为基准，每个物种抽取25条，匹配X的Date_Diff分布
matched_samples <- sample_match_dist(df, base_species = 'X', target_n = 25)

关键说明 #

• 这里的核心是分层抽样：按照Date_Diff分组，每个组内抽取对应数量的样本，保证整体分布和基准一致
• replace = TRUE的设置是为了应对某些Date_Diff在目标物种中数量不足的情况，如果你的数据中每个Date_Diff的数量都足够，可以把这个参数设为FALSE
• 如果你觉得四舍五入导致的总数偏差可以接受，直接用上面的代码就行；如果需要严格保证每个物种抽样总数是25，可以在最后调整个别组的抽取数量（比如把多的一条调整到数量充足的组）

内容的提问来源于stack exchange，提问作者Corbjn