如何基于原始数据集的Estados抽取样本用于PCA与LASSO回归

假设你的原始数据集命名为 df，以下是两种常用实现方式：

base R 版本 #

无需额外加载第三方包，直接用R内置函数实现：

1. 随机抽取10个唯一的Estados地市值

selected_estados <- sample(levels(df$Estados), size = 10, replace = FALSE)

2. 筛选出属于这10个地市的所有观测

filter_df <- df[df$Estados %in% selected_estados, ]

3. 从筛选后的数据中抽取300条观测组成样本集

# 若筛选后总观测数不足300，可将replace参数改为TRUE开启有放回抽样
sample_df <- filter_df[sample(nrow(filter_df), size = 300, replace = FALSE), ]

tidyverse 版本 #

用dplyr语法实现，代码更简洁易读：

library(dplyr)

# 固定随机种子可保证抽样结果可复现，数字可自定义
set.seed(123)

sample_df <- df %>%
  # 先随机筛选10个Estados对应的所有观测
  filter(Estados %in% sample(levels(Estados), size = 10, replace = FALSE)) %>%
  # 再抽取300条观测
  slice_sample(n = 300, replace = FALSE)

验证方法 #

抽样完成后可执行以下代码校验结果是否符合要求：

• 查看选中的地市数量：length(unique(sample_df$Estados)) 应返回10
• 查看样本总行数：nrow(sample_df) 应返回300
• 查看各地市的样本分布：table(sample_df$Estados)

内容的提问来源于stack exchange，提问作者SaltySenator