R语言中如何基于data1的分层特征从data2抽取代表性样本？

我来帮你搞定这个问题——其实用dplyr就能实现需求，可能之前你没把频数统计和分组抽样的步骤衔接好。下面是具体的可复用方法，分两步走：

第一步：统计data1中各特征组合的出现频率 #

首先我们需要从data1里提取所有非ID的因子特征，统计每个特征组合的出现次数：

library(dplyr)

# 生成特征组合-频数对照表
freq_table <- data1 %>%
  select(-ID) %>%  # 移除ID列，只保留因子特征
  group_by(across(everything())) %>%  # 按所有因子特征分组（自动适配任意数量的特征）
  summarise(sample_count = n(), .groups = "drop")  # 计算每组的样本数，并取消分组

这段代码会生成一个表，每一行对应一个特征组合（比如Region:AA、Age:20、Label:0），并附带该组合在data1中的出现次数sample_count。

第二步：从data2中按对应数量抽样 #

接下来我们把这个频数表和data2关联，然后按每个特征组合抽取对应数量的样本：

# 从data2中抽取匹配样本（保留ID列）
sampled_data <- data2 %>%
  # 关联频数表，把对应组合的抽样数量带到data2里
  left_join(freq_table, by = names(freq_table)[-ncol(freq_table)]) %>%
  # 再次按特征组合分组
  group_by(across(all_of(names(freq_table)[-ncol(freq_table)]))) %>%
  # 抽取对应数量的样本：first(sample_count)取该组需要的抽样数
  slice_sample(n = first(sample_count), replace = FALSE) %>%
  ungroup() %>%
  select(-sample_count)  # 移除临时的频数列，恢复原数据结构

特殊情况处理 #

如果data2中某个特征组合的样本数量少于data1中的频数（比如data1要抽6条，但data2只有4条），上面的代码会报错。你可以调整抽样逻辑，比如抽取现有所有样本，或者允许放回抽样：

情况1：抽取现有最大数量（不放回）

sampled_data_safe <- data2 %>%
  left_join(freq_table, by = names(freq_table)[-ncol(freq_table)]) %>%
  group_by(across(all_of(names(freq_table)[-ncol(freq_table)]))) %>%
  slice_sample(n = min(first(sample_count), n()), replace = FALSE) %>%
  ungroup() %>%
  select(-sample_count)

情况2：允许放回抽样（凑够需要的数量）

sampled_data_replace <- data2 %>%
  left_join(freq_table, by = names(freq_table)[-ncol(freq_table)]) %>%
  group_by(across(all_of(names(freq_table)[-ncol(freq_table)]))) %>%
  slice_sample(n = first(sample_count), replace = TRUE) %>%
  ungroup() %>%
  select(-sample_count)

补充说明 #

• 如果你的dplyr版本低于1.0.0，slice_sample函数不存在，可以用sample_n(first(sample_count), replace = FALSE)替代，功能完全一致。
• group_by(across(everything()))是关键，它会自动把所有非ID的因子特征作为分组依据，不管你有3个还是10个特征，都不用手动列出来，非常灵活。

内容的提问来源于stack exchange，提问作者JJR