如何在R中对数据集进行偏向近期日期的平滑随机抽样？

我在R中有如下数据集：

date = sample(seq(as.Date('2015-01-01'), as.Date('2022-08-12'), by = "day"), 1000)
var1 = rnorm(1000, 1000,1000)
var2 = rnorm(1000, 1000,1000)
var3 = rnorm(1000, 1000,1000)

question_data = data.frame(date, var1, var2, var3)
question_data$id = 1:nrow(question_data)

我希望从该数据集中抽取1000个随机样本，要求靠近当前日期的样本数量多于起始日期的样本。

我采用了一种简单方法：先按日期倒序排序数据集：

question_data <- question_data[order(-question_data$date),]

然后创建新的date_id：

question_data$date_id = 1:nrow(question_data)

接着设定阈值进行加权抽样：

part_1 <- question_data[which(question_data$date_id > 750), ]
part_2 <- question_data[which(question_data$date_id < 750), ]

library(dplyr) 
random_sample = data.frame(sample_n(part_1, 250, replace = TRUE), sample_n(part_2, 500, replace = TRUE))

请问是否有更优的实现方式？比如能实现平滑随机抽样的方法？

你的分块抽样方法逻辑简单，但权重是阶梯式突变的，抽样结果的日期分布不够平滑。可以通过给每个样本分配与日期正相关的连续权重，实现抽样概率随日期推移逐渐升高的效果，以下是几种实用方案：

方案1：线性加权抽样（base R） #

将日期转换为距离起始日期的天数，以此作为权重基础，越晚的日期权重越大：

# 计算每个日期距离最早日期的天数
question_data$days_since_start <- as.numeric(question_data$date - min(question_data$date))
# 归一化权重（可选，避免权重数值过大）
question_data$weight <- question_data$days_since_start / max(question_data$days_since_start)

# 设置随机种子保证结果可复现
set.seed(123)
# 带权重抽取1000个样本（replace=TRUE允许重复抽样）
random_sample <- question_data[sample(nrow(question_data), size=1000, replace=TRUE, prob=question_data$weight), ]

方案2：指数加权抽样（dplyr） #

如果需要让近期样本的抽样概率提升更显著，可以用指数函数放大权重差距：

library(dplyr)

set.seed(123)
random_sample <- question_data %>%
  # 计算日期的相对位置（0对应最早日期，1对应最晚日期）
  mutate(rel_date = as.numeric(date - min(date)) / as.numeric(max(date) - min(date))) %>%
  # 指数权重，gamma值越大，近期样本权重越高（可根据需求调整）
  mutate(weight = exp(3 * rel_date)) %>%
  # 按权重抽样
  slice_sample(n=1000, replace=TRUE, weight_by=weight)

方案3：基于日期排名的平滑加权 #

若不想依赖日期的绝对差值，也可以用日期的排名作为权重：

# 按日期升序排名，越晚的日期排名值越高
question_data$date_rank <- rank(question_data$date)

set.seed(123)
random_sample <- question_data[sample(nrow(question_data), size=1000, replace=TRUE, prob=question_data$date_rank), ]

这些方法的优势：

• 权重连续变化，抽样概率随日期平滑提升，避免分块抽样的突变效应
• 可灵活调整权重增长幅度（比如指数加权中的gamma参数），适配不同的抽样需求
• 代码更简洁，无需手动分块处理

内容的提问来源于stack exchange，提问作者stats_noob