我们经常需要从总体中抽取样本,并利用样本数据推断有关总体的结论。本文介绍分层抽样的概念以及R的实现过程。
分层抽样
分层抽样是一种常用的抽样方法。它把总体分为多个组,然后从每个组中随机抽取一定数量样本形成分析样本。下面通过两个示例进行说明。
假设高校有400学生,包括大一、大二、大三、大四四个年级组成。我们现在需要采用分层抽样方法从每个年级随机抽取10人组成分析样本。
下面代码模拟生成100个学生数据:
set.seed(1)
df <- data.frame(grade = rep(c('Freshman', 'Sophomore', 'Junior', 'Senior'),each=100),
gpa = rnorm(400, mean = 85, sd = 3))
head(df)
# grade gpa
# 1 Freshman 83.12
# 2 Freshman 85.55
# 3 Freshman 82.49
# 4 Freshman 89.79
# 5 Freshman 85.99
# 6 Freshman 82.54
上面代码生成400个记录,每个年级包括100条记录,学生成绩为随机正太分布数据,均值85,标准差为3。
按行数量分层抽样
我们实用dplyr包的 group_by()
和 sample_n()
函数,每个年级组抽取10条记录:
library(dplyr)
strat_samp <- df %>% group_by(grade) %>% sample_n(size = 10)
# strat_samp <- df %>% group_by(grade) %>% slice_sample(n = 10)
table(strat_samp$grade)
# Freshman Junior Senior Sophomore
# 10 10 10 10
我们看到每组有10条记录。
按行比例分层抽样
我们实用dplyr包的 group_by()
和 sample_frac()
函数,每个年级组抽取15%比例的记录:
library(dplyr)
strat_samp <- df %>% group_by(grade) %>% sample_frac(size = .15)
# strat_samp <- df %>% group_by(grade) %>% slice_sample(prop = .15)
table(strat_samp$grade)
# Freshman Junior Senior Sophomore
# 15 15 15 15
我们看到每组抽取15条,因为每组总数为100,按15%比例进行随机抽样。当每个组总量不同时,按比例抽样会更合理。
函数说明
通过官方文档,sample_n()
和 sample_frac()
已不建议使用,未来会统一使用 slice_sample()
函数。使用该函数上面两种方式代码可以统一使用该函数:
# 每组抽取固定数量
strat_samp <- df %>% group_by(grade) %>% slice_sample(n = 10)
# 每组抽取一定比例
strat_samp <- df %>% group_by(grade) %>% slice_sample(prop = .15)
两种方式的代码仅参数不同。