在R中按步骤从多数据集数据框中分层随机抽取指定行数样本

需求说明 #

现有数据框结构如下：

• 每行对应一条物种记录，同一dataset内无重复物种，但物种可跨dataset重复
• 需要完成分步骤随机抽样：
  • Step 1：随机抽取1行样本
  • Step 2：随机抽取2行，且2行来自不同dataset
  • ...
  • Step 11：随机抽取11行，且11行全部来自不同dataset

示例数据 #

用户提供的示例数据构造代码：

# 构造示例数据框
x1 <- matrix(rnorm(200), nrow= 100, ncol=2)
x2 <- c(replicate(5, "AA"),replicate(15, "BB"),replicate(15, "CC"),
        replicate(10, "DD"),replicate(10, "EE"),replicate(10, "FF"),
        replicate(10, "GG"),replicate(5, "HH"),replicate(5, "II"),
        replicate(15, "JJ"))
df <- data.frame(cbind(x1,x2))
colnames(df) <- c("variable1", "variable2","dataset")
# 修正数值列类型（cbind会自动转成字符型，这里还原）
df$variable1 <- as.numeric(df$variable1)
df$variable2 <- as.numeric(df$variable2)

问题分析 #

用户尝试使用sampling包的strata()函数，但该函数是按指定的每个层（dataset）抽样数量执行分层抽样，无法直接满足「抽取k个来自不同dataset的样本」的需求。

解决方案 #

使用dplyr包实现分组抽样逻辑，编写通用函数处理不同步骤的抽样需求：

# 安装并加载dplyr（若未安装）
# install.packages("dplyr")
library(dplyr)

# 定义抽样函数：输入数据框和抽样行数k，返回符合要求的样本
sample_cross_dataset <- function(df, k) {
  if (k == 1) {
    # Step1：直接随机抽取1行
    return(df %>% sample_n(size = 1))
  }
  
  # 检查可用的不同dataset数量
  unique_ds_count <- length(unique(df$dataset))
  if (unique_ds_count < k) {
    stop(paste("错误：当前仅存在", unique_ds_count, "个不同dataset，无法抽取", k, "个跨dataset样本"))
  }
  
  # 随机选择k个不同的dataset，再从每个dataset中各抽1行
  df %>%
    filter(dataset %in% sample(unique(df$dataset), size = k)) %>%
    group_by(dataset) %>%
    sample_n(size = 1) %>%
    ungroup()
}

# 执行各步骤抽样
step1_sample <- sample_cross_dataset(df, 1)
step2_sample <- sample_cross_dataset(df, 2)
step3_sample <- sample_cross_dataset(df, 3)
# ...
step11_sample <- sample_cross_dataset(df, 11) # 注意：需确保df中至少有11个不同dataset，否则会触发报错

逻辑说明 #

1. k=1的情况：无需考虑dataset，直接随机抽取1行即可
2. k≥2的情况：
   • 先校验现有不同dataset的数量是否满足需求，避免无效抽样
   • 随机挑选k个不重复的dataset
   • 对每个选中的dataset，随机抽取1条记录，最终得到k条来自不同dataset的样本

内容的提问来源于stack exchange，提问作者mmmap