R语言实现：覆盖id与quality全部分组组合的数据集随机抽样

前置说明：请先确认id和quality两列的唯一组合总数小于2000，否则该需求无法实现，需要先调整目标样本量

实现逻辑分为两步：

• 首先从每一组id+quality的唯一组合中随机抽取1条记录，确保所有分组都被覆盖
• 计算剩余需要补充的样本量，从原数据集未被抽取的记录中随机补抽，凑够2000条即可

完整可运行代码如下：

library(dplyr)

# 计算id和quality的唯一组合总数
n_unique <- nrow(distinct(df, id, quality))

# 异常判断：唯一组合数超过样本量上限时直接终止
if (n_unique > 2000) {
  stop("分组组合总数超过2000，无法在指定样本量内覆盖全部分组，请调高样本量")
}

# 第一步：每个分组随机抽1条，保证全部分组覆盖
sample_covered <- df %>%
  group_by(id, quality) %>%
  slice_sample(n = 1) %>%
  ungroup()

# 第二步：补抽剩余所需样本，排除已经被抽取的记录
remaining_sample_num <- 2000 - nrow(sample_covered)
sample_random <- df %>%
  anti_join(sample_covered, by = c("id", "quality")) %>%
  slice_sample(n = remaining_sample_num)

# 合并得到最终2000条样本
final_sample <- bind_rows(sample_covered, sample_random)

你可以用以下代码验证结果是否符合要求：

# 验证是否覆盖所有id+quality组合
nrow(distinct(final_sample, id, quality)) == n_unique
# 验证样本量是否为2000
nrow(final_sample) == 2000

以上方案对16万行规模的数据集处理效率极高，无需额外优化即可快速得到结果。

内容的提问来源于stack exchange，提问作者Alex