是的，采样包处理这个，你可以进行整群抽样或分层或其他一些： http ://cran.r-project.org/web/packages/sampling/sampling.pdf

然后，它还可以处理许多特殊的方差估计技术，您必须对您从复杂设计中计算出的任何指标进行处理。但是，我更喜欢 Lumley 的调查包。

我认为该任务不需要额外的包，只需使用基本sample功能，例如：

从第一组中获取样本：

sample <- sample(data[data$"Care Type" == "Acute Care",], size = 25)

从 orig 中获取选择的 ID。数据集（在此之前进行备份可能是个好主意）：

data <- data[setdiff(data$pat_id, sample_pat_id),]

从其余数据集中的第二组中获取样本并连接到样本：

sample <- rbind(sample, sample(data[(data$"Care Type" == "Acute Care"),], size = 25)

对每个段重复：

data <- data[setdiff(data$pat_id, sample_pat_id),]
sample <- rbind(sample, sample(data[(data$"Care Type" == "?"),], size = ?)

对不起，没有测试，但我认为可以看到这一点。而且：我相信上面的代码可以改进和缩小。

我要做的是prob根据变量中的级别数为每个数据点提供权重参数。例子：

df <- data.frame(oks = sample(100),
        grp = c(rep("trt1", times = 30), rep("trt2", times = 70)))

> head(df)
  oks  grp
1  40 trt1
2  29 trt1
3  12 trt1
4  25 trt1
5  19 trt1
6  45 trt1

明显地：

> (df.prob <- table(df$grp))

trt1 trt2 
  30   70 

您将概率向量传递给sample。您可以data.frame按所需变量对您的变量进行排序（并使用此处提供的解决方案的调整），或者您可以根据处理级别为各个行分配权重（此处未介绍，但重新编码应该不会太难）。

df[sample(x = df$oks, size = 30, prob = rep(df.prob/nrow(df), df.prob)), ] # / by nrow(df) to get appropriate weight per treatment

这是您正在寻找的近似比率，对吗？

> table(df[sample(x = df$oks, size = 30, prob = rep(df.prob/nrow(df), df.prob)), ]$grp)

trt1 trt2 
  12   18