询问满足属性占比要求的样本选择算法及数据库样本筛选方案

当然存在这类算法，但能不能找到符合要求的样本组，还得看你数据库里people表的原始数据分布——毕竟巧妇难为无米之炊，如果原始数据里蓝眼睛男性且有特定子女数的群体占比极低，那可能凑不出满足所有约束的样本。

一、问题本质：带多约束的分层抽样 #

你的需求属于带硬约束+软约束的分层随机抽样问题：

• 硬约束：样本子女总数必须落在19-21之间
• 软约束：眼睛颜色、性别占比需在目标值±5%的误差范围内（比如蓝眼睛占比25%-35%，男性占比35%-45%）

二、两种可行的算法思路 #

1. 迭代调整抽样法（实操性强，适合中小数据量） #

这是最容易落地到业务中的方法，步骤大概是：

• 第一步：先估算大致样本量。比如假设数据库中人员的平均子女数是k，那样本量大概在20/k左右（比如平均每个有2个孩子，样本量就在10人上下）。再根据性别、眼睛颜色的目标占比，初步抽取各分层的人员（比如10人里，蓝眼睛3人、绿眼睛2人、棕眼睛5人；男性4人、女性6人）。
• 第二步：计算当前样本的核心指标：子女总数、各眼睛颜色占比、各性别占比，和目标约束对比。
• 第三步：针对性调整样本。比如子女总数超了，就随机把一个子女数多的样本换成子女数少的；蓝眼睛占比不够，就把一个非蓝眼睛样本换成蓝眼睛的，同时尽量不破坏其他已经达标的约束。
• 第四步：重复第二步到第三步，直到所有约束都满足，或者迭代了足够多次（比如1000次）仍不满足，就判定不存在符合要求的样本。

2. 整数规划法（精确判断，适合需要严谨结论的场景） #

如果需要精准判断是否存在可行解，可以把问题转化为整数规划模型：

• 变量：给每个人员设置一个0-1变量（1表示选中该人员，0表示不选）
• 约束条件：
  • 所有选中人员的number_of_children之和 ∈ [19, 21]
  • 选中的蓝眼睛人数 / 总样本数 ∈ [0.25, 0.35]
  • 选中的绿眼睛人数 / 总样本数 ∈ [0.15, 0.25]
  • 选中的棕眼睛人数 / 总样本数 ∈ [0.45, 0.55]
  • 选中的男性人数 / 总样本数 ∈ [0.35, 0.45]
• 目标：最小化所有约束的偏差值（或者直接判断是否存在可行解）

然后用整数规划求解器（比如PuLP、Gurobi）来计算。这种方法能准确告诉你是否存在符合要求的样本，但数据量较大时，计算成本会比较高。

三、怎么判断不存在符合要求的样本？ #

如果出现以下情况，基本可以确定找不到满足所有约束的样本：

• 原始数据中某类群体的占比远低于约束下限：比如数据库里蓝眼睛的人只有10%，那根本不可能抽到占比25%-35%的样本
• 约束之间存在逻辑冲突：比如所有蓝眼睛的人都是男性，而目标要求男性占40%、蓝眼睛占30%——这意味着蓝眼睛男性至少要占30%，剩下的10%男性必须是非蓝眼睛，如果原始数据里没有非蓝眼睛的男性，那这个约束就无法满足
• 子女总数约束和样本量取整冲突：比如目标子女总数是19-21，而所有人员的子女数都是3，那样本量只能是7（总子女数21），但7人的话，男性占40%是2.8人，无法取整，自然满足不了性别占比约束

内容的提问来源于stack exchange，提问作者James