R-Studio数据筛选：抽取覆盖所有变量取值的50%样本方法咨询

核心思路 #

先抽取「必选样本集」保证所有分类字段的所有取值至少出现1次，再从剩余样本中随机补抽至总样本量的50%，既满足覆盖要求也符合随机抽样的特性。

调整后代码 #

library(dplyr)
# 1. 定义需要全覆盖所有取值的分类字段
cover_cols <- c("PRODUCT_TYPE", "OFFER", "INENTORY")

# 2. 生成必选样本集：每个字段的每个取值各抽1条，合并后去重
mandatory_samples <- lapply(cover_cols, function(col) {
  data2 %>% 
    group_by(across(all_of(col))) %>% 
    slice_sample(n = 1) %>% 
    ungroup()
}) %>% 
  bind_rows() %>% 
  distinct(ID, .keep_all = TRUE)

# 3. 计算目标样本量与待补抽数量
total_rows <- nrow(data2)
target_rows <- floor(total_rows * 0.5)
add_rows <- target_rows - nrow(mandatory_samples)

# 异常校验：必选样本量超过目标值时抛出提示
if (add_rows < 0) {
  stop("必选覆盖样本量已超过总样本的50%，请调高抽样比例")
}

# 4. 补抽剩余样本后合并得到最终子集
add_samples <- data2 %>% 
  filter(!ID %in% mandatory_samples$ID) %>% 
  slice_sample(n = add_rows)

subset1 <- bind_rows(mandatory_samples, add_samples)

代码说明 #

• 如果需要覆盖的字段有调整，直接修改cover_cols向量的内容即可
• 用distinct(ID, .keep_all = TRUE)去重是为了避免同一条记录同时覆盖多个字段取值时被重复计入，浪费样本量
• 校验逻辑可以避免样本量过小、必选需求超过抽样比例的异常场景

内容的提问来源于stack exchange，提问作者Mariana