按组加权随机抽取data.table样本的实现方法求助

我来帮你搞定这个按组指定频率抽样的需求！你的核心诉求是根据给定的频率分布，计算每个Country组需要抽取的样本量（频率×总样本量），然后在每组内随机抽取对应数量的行对吧？下面是具体的实现步骤和代码：

步骤1：准备数据 #

先把你的测试数据加载好（确保已经安装并加载data.table包）：

library(data.table)

# 输入数据
InputDT <- data.table(
  Country = c(rep("A",20), rep("B",10), rep("C",5), rep("D",2)),
  ID = c(1:20, 101:110, 201:205, 301:302)
)

# 指定的频率分布
CountryFreq <- data.table(
  Country = unique(InputDT$Country),
  Freq = c(4/10, 2/10, 2/10, 2/10)
)

# 总样本量
Sample_Size <- 10

步骤2：计算每组抽样数量并执行抽样 #

接下来我们合并数据、计算每组需要抽取的行数，然后完成分组抽样：

# 合并输入数据和频率表，为每行添加对应Country的频率
InputDT_with_freq <- InputDT[CountryFreq, on = "Country"]

# 计算每组需要抽取的样本量：频率×总样本量
InputDT_with_freq[, n_to_sample := Freq * Sample_Size]

# 关键：确保抽样数量不超过每组的实际行数（避免因频率计算值大于组内行数报错）
InputDT_with_freq[, n_to_sample := pmin(n_to_sample, .N), by = Country]

# 按Country分组，随机抽取对应数量的行
OutputDT <- InputDT_with_freq[, .SD[sample(.N, n_to_sample[1])], by = Country]

# 清理不需要的列，得到最终结果
OutputDT[, c("Freq", "n_to_sample") := NULL]

步骤3：验证结果 #

执行完抽样后，你可以用以下代码验证频率是否符合预期：

# 查看分组频率分布
table(OutputDT$Country) / nrow(OutputDT)

# 或者用Hmisc包的describe函数
library(Hmisc)
describe(OutputDT$Country)

运行后你会看到和你手动示例一致的频率分布：A占40%，B、C、D各占20%。

注意事项 #

• 如果Freq * Sample_Size得到的是小数，你可以根据需求用round()、ceiling()或floor()调整抽样数量，比如n_to_sample := round(Freq * Sample_Size)；
• 确保CountryFreq中的Country值和InputDT完全匹配，避免合并后出现NA行；
• 代码中用pmin(n_to_sample, .N)是为了防止某组的计算抽样量超过该组实际存在的行数，比如如果某Country只有1行，但频率计算需要抽2行，这时候会自动抽取全部1行。

内容的提问来源于stack exchange，提问作者watchtower