R 实现分层抽样教程

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。