R语言如何从Excel数据集随机抽取指定类别对应的行数据

你可以按照以下步骤实现需求，针对大数据集也提供了提速方案：

步骤1：读取Excel数据 #

推荐使用readxl包读取Excel文件，相比其他工具内存占用更低：

# 安装依赖包（首次使用执行）
install.packages(c("readxl", "dplyr"))

# 加载包
library(readxl)
library(dplyr)

# 替换为你的实际文件路径读取数据
df <- read_excel("你的数据文件路径.xlsx")

步骤2：实现100次重复随机抽取 #

逻辑为：先提取所有Station的唯一取值，每次随机选1个取值，再筛选对应取值的全部行，最终100次结果存在列表中方便后续分析：

# 提取Station列的所有唯一取值
station_unique <- unique(df$Station)

# 设置随机种子，保证结果可复现，不需要复现可以删除该行
set.seed(123)

# 执行100次抽取，结果存储在result_list中
result_list <- lapply(1:100, function(i) {
  # 随机抽取1个Station取值
  selected_station <- sample(station_unique, size = 1)
  # 筛选该Station对应的全部行
  filter(df, Station == selected_station)
})

结果使用说明 #

• 你可以通过result_list[[n]]提取第n次抽取的数据集，比如result_list[[1]]就是第一次的抽取结果，可直接用于后续分析
• 如果需要记录每次抽取的Station名称，可以修改返回结构：

  result_list <- lapply(1:100, function(i) {
    selected_station <- sample(station_unique, size = 1)
    list(
      station_name = selected_station,
      data = filter(df, Station == selected_station)
    )
  })
  

• 如果要求100次抽取的Station不重复，只需将sample(station_unique, size = 1)修改为sample(station_unique, size = 100, replace = FALSE)[i]即可，注意该设置要求你数据中Station的唯一值数量≥100

大数据集提速方案 #

如果你的数据集规模极大，普通dplyr处理较慢，可以使用data.table包优化速度：

# 安装依赖包（首次使用执行）
install.packages("data.table")

library(data.table)
# 将数据转为data.table格式并设置索引，大幅提升筛选速度
dt <- as.data.table(df)
setkey(dt, Station)

# 100次抽取逻辑
result_list_dt <- lapply(1:100, function(i) {
  selected_station <- sample(station_unique, size = 1)
  dt[Station == selected_station]
})

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