R语言stratified分层抽样出现因子水平抽样比例异常问题

问题根源 #

你遇到的抽样错位问题，完全是splitstackshape包中stratified()函数的size参数解析规则和你的预期不符导致的，这个函数根本不支持「通过命名小数向量给不同分层设置不同组内抽样比例」的用法，具体规则如下：

• 当size传入单个小于1的数值时，函数才会在所有分层内统一按该比例抽样，自然保持原有类分布；
• 当size传入所有元素均≥1的整数型命名向量时，函数才会按名称匹配对应分层，抽取固定整数个样本——这也是你之前传整数时运行正常的原因；
• 只要传入的命名向量里包含小于1的小数值，就会触发函数的异常解析逻辑：
  1. 如果所有小数加和等于1，函数会把这些值当成「最终抽中样本的组间权重占比」，而非每个组内的抽样比例，再加上因子类列和命名向量的匹配bug，会出现比例完全错位：你给BARBUNYA设置的0.097抽样比例实际被应用到了SEKER类，BARBUNYA类反而被分配了最小的0.038抽样比例，所以每次抽走的该类样本最少，迭代到最后占比异常偏高。
  2. 如果小数加和不等于1（比如你把BARBUNYA的比例改成0.5后，向量总和约1.4），函数会自动把所有小于1的数值向下取整为0，相当于默认该类不抽样，所以哪怕你把比例改成0.5，因为数值仍小于1，实际抽样量和设0.097时几乎没有差别。

正确实现方式 #

如果你的目的是迭代缩样时保持各类的原始占比不变，根本不需要给每个类单独传比例，每次迭代直接给size传单个保留比例即可，比如每次移除10%样本就设size=0.9，函数会自动在每个类内按90%比例抽样保留，类分布不会偏移。
如果确实需要给不同类设置不同的抽样/移除比例，不要依赖stratified的向量传参，直接按类分组抽样即可，参考代码：

library(dplyr)
# 这里写每个类的保留比例=1-对应移除比例
keep_ratio <- c(
  "BARBUNYA" = 1 - 0.09712732,
  "BOMBAY" = 1 - 0.03835133,
  "CALI" = 1 - 0.11975608,
  "DERMASON" = 1 - 0.26052458,
  "HOROZ" = 1 - 0.14165014,
  "SEKER" = 1 - 0.14892366,
  "SIRA" = 1 - 0.19366689
)

while(nrow(beanclone) > 100) {
  beanclone <- beanclone %>%
    group_by(Class) %>%
    slice_sample(prop = unname(keep_ratio[cur_group()$Class])) %>%
    ungroup()
  print(table(beanclone$Class))
  print(nrow(beanclone))
}

内容的提问来源于stack exchange，提问作者Pop