如何在R中基于条件移除特定类别60%的数据？

我明白你的问题了——你想保留原数据集的整体结构，只移除Outcome=="diabetes"这个类别里60%的数据，而不是单独提取这个类别再切片。原来的代码确实只处理了糖尿病组，没把其他类别加回来，我给你两种简单的解决方法：

方法一：用dplyr分组采样（推荐） #

这种方法通过分组后按比例采样，一步完成筛选，代码简洁且保留原数据集的结构：

library(dplyr)

# 保留非糖尿病的全部数据，以及糖尿病的40%数据（即移除60%）
dataset_filtered <- dataset %>%
  group_by(Outcome) %>%
  slice_sample(prop = ifelse(Outcome == "diabetes", 0.4, 1)) %>%
  ungroup()

代码解释： #

• group_by(Outcome)：按Outcome字段分组，这样我们可以对不同类别分别处理
• slice_sample(prop = ...)：对每个组按指定比例采样。这里给非糖尿病组设置比例为1（保留全部），糖尿病组设置为0.4（保留40%，相当于移除60%）
• ungroup()：取消分组，回到普通的数据框结构

方法二：拆分后合并（更直观） #

如果你觉得分组的逻辑有点绕，可以先拆分数据集，分别处理后再合并：

library(dplyr)

# 第一步：提取所有非糖尿病的数据（全部保留）
non_diabetes_data <- dataset %>% filter(Outcome != "diabetes")

# 第二步：提取糖尿病数据并随机保留40%
diabetes_remaining <- dataset %>%
  filter(Outcome == "diabetes") %>%
  slice_sample(prop = 0.4)

# 第三步：合并两部分数据，得到最终结果
dataset_filtered <- bind_rows(non_diabetes_data, diabetes_remaining)

注意事项： #

• 如果你使用的是旧版本的dplyr（1.0.0之前），slice_sample可能不存在，可以用sample_frac(0.4)代替
• 因为是随机采样，每次运行得到的具体行可能略有不同，但整体比例会符合要求

验证结果 #

你可以用下面的代码检查处理后各类别的数量，确认糖尿病组确实只保留了约40%：

# 原数据集类别数量
dataset %>% count(Outcome)

# 处理后数据集类别数量
dataset_filtered %>% count(Outcome)

内容的提问来源于stack exchange，提问作者user9128740