按群体概率抽取数据框唯一ID的R代码报错及解决方案咨询

首先还原你的场景，你构建的数据框是这样的：

ID <- c(1,2,3,4,5,6) 
pop <- c(10,10,10,10,1000,1000) 
df <- data.frame(pop,ID)

你的需求很明确：抽取3个唯一ID，其中pop≥1000的ID组总抽取概率为0.1，pop<1000的ID组总概率为0.9。但你写的代码运行报错了：

你写的代码：

sample(c(df$ID[df$pop>=1000],df$ID[df$pop<1000]),3, prob=c(0.1,0.9))

错误信息：

Error in sample.int(length(x), size, replace, prob) : incorrect number of probabilities

为啥会报错？ #

其实这个错误原因很直白：sample函数的prob参数长度必须和你要抽样的向量长度完全一致。你要抽样的是6个ID的向量，但只给了2个概率值，R自然不知道怎么对应，所以就报错了。

不用逐个分配概率的解决方法 #

咱们不用手动给每个ID写概率，只需要基于组的大小把总概率均分在组内每个ID上就行，这样既能满足组总概率的要求，又不用重复写代码。

方法一：自动生成组内权重（基础R实现）

我们可以给每个ID计算一个组内权重：高pop组（≥1000）的总概率是0.1，组内有2个ID，所以每个ID的概率是0.1/2；低pop组（<1000）总概率0.9，组内有4个ID，每个ID的概率是0.9/4。用代码实现就是：

# 给每个ID添加组内权重列
df$group_prob <- ifelse(
  df$pop >= 1000,
  0.1 / sum(df$pop >= 1000),  # 高pop组每个ID的概率
  0.9 / sum(df$pop < 1000)    # 低pop组每个ID的概率
)

# 基于权重抽取3个唯一ID
selected_ids <- sample(df$ID, size = 3, prob = df$group_prob, replace = FALSE)
selected_ids

这样运行后，高pop组的两个ID总概率加起来是0.1，低pop组四个ID总概率加起来是0.9，完全符合你的需求，而且不管组内ID数量怎么变，代码都能自动适配，不用手动调整概率值。

方法二：分层抽样（用sampling包简化操作）

如果你习惯用专门的抽样包，可以试试sampling包的strata函数，它专门处理分层抽样的场景，你只需要指定分层变量、每层的抽样概率或者数量：

# 先安装并加载包（第一次用需要安装）
# install.packages("sampling")
library(sampling)

# 分层抽样：指定分层变量是pop的分组，总样本量3，每层的抽样数量基于总概率计算
strata_sample <- strata(
  data = df,
  stratanames = "pop",  # 按pop分层
  size = c(round(3*0.9), round(3*0.1)),  # 低pop组抽2个，高pop组抽1个
  method = "srswor"  # 无放回抽样
)

# 提取选中的ID
selected_ids <- df$ID[strata_sample$ID_unit]
selected_ids

这个方法更直观，直接按组分配抽样数量，也不用手动给每个ID写概率。

内容的提问来源于stack exchange，提问作者Mucteam