在php数据整理场景里，我们经常会遇到这样一个问题：手头有一个混合了多种类别的大数组，比如用户记录里既有普通会员也有VIP，既有北上广用户也有偏远地区用户，现在要从中抽出固定数量的样本做分析，却又希望每个类别都能按原有比例被抽到，不会出现某一类完全落空的情况。这种需求用统计学的话说就是分层抽样，也叫类型抽样。它的核心是先分层、再按比例抽，从而保证样本结构和总体结构一致。
一、为什么不能用简单的array_rand
很多初学者拿到数组抽样需求，第一反应就是调用php内置的array_rand函数随机取几个键名。这种做法在总体分布均匀时尚可接受，一旦数据倾斜就会出问题。例如一个一万条记录的数组里，VIP用户只有一百个，普通用户九千九百个，若随机抽一百条，VIP被抽中的概率仅约百分之六十六，极端情况下可能一条VIP都没有，导致后续模型训练或调研结论严重偏差。
从原理上看，array_rand等价于从整个集合做无放回简单随机抽样，它不对类别做任何约束。而业务上往往要求样本均衡，即各类别在样本中的占比逼近其在全集中的占比。要实现这一点，就必须先拆解层级，再在层内独立抽样，这就是分层抽样的价值。
二、分层抽样的基本实现思路
实现过程可以拆为三步。第一步，遍历原数组，按指定类别字段（比如type或city）将记录归堆，形成以类别值为键的二维数组。第二步，统计每个类别的记录数以及总记录数，结合想要抽取的总样本量，用四舍五入或向下取整加余量分配的方式算出每层应抽条数。第三步，对每一层使用array_rand或shuffle加array_slice抽取对应数量，最后合并。
下面是一段可直接运行的php示例代码，演示如何对一个用户数组按level字段做比例抽样，总样本量设定为五百：
<?php
// 模拟数据：每个元素有 id 和 level 字段
$users = [];
for ($i = 1; $i <= 10000; $i++) {
$level = $i % 10 === 0 ? 'vip' : 'normal'; // 约10%为vip
$users[] = ['id' => $i, 'level' => $level];
}
// 第一步：按 level 分层
$layers = [];
foreach ($users as $u) {
$layers[$u['level']][] = $u;
}
// 第二步：计算每层抽样数量
$total = count($users);
$sampleTotal = 500;
$samplePlan = [];
foreach ($layers as $key => $group) {
$count = count($group);
// 按占比分配，保留整数
$plan = (int)round($count / $total * $sampleTotal);
$samplePlan[$key] = $plan;
}
// 第三步：层内抽样并合并
$result = [];
foreach ($layers as $key => $group) {
$need = $samplePlan[$key];
if ($need > 0) {
$keys = array_rand($group, $need);
if (!is_array($keys)) {
$keys = [$keys];
}
foreach ($keys as $k) {
$result[] = $group[$k];
}
}
}
echo '抽样总数：' . count($result) . PHP_EOL;
echo 'VIP样本数：' . count(array_filter($result, function($x){return $x['level']==='vip';})) . PHP_EOL;
?>
上述代码中，array_rand第二个参数直接接收每层需要的数量，php会自动在该层数组中随机不重复地挑出对应索引。由于各层独立操作，VIP层虽然总量少，但依旧能按约百分之十的比例拿到五十个左右样本，普通层拿到四百五十个左右，整体分布与原始数据同构。
需要注意，当某一层记录数本身就小于计划抽取数时，上面的写法会触发array_rand警告。因此在生产环境应加一层保护：若$need > count($group)，则直接取全部，并把差额顺延给其他层或忽略，避免程序中断。
三、样本均衡的进阶处理
严格按比例抽样在层间数量差异巨大时，仍可能让极小层只抽到一两条，统计意义弱。此时可以引入最小样本阈值：任何一层至少抽N条（N如30），超出总预算的部分从最大层扣减。另一种做法是过采样，对小类做有放回重复抽取，不过这会改变原始分布，仅适合机器学习训练集构造。
下面示例展示带最小阈值的分配逻辑，保证每层不少于二十条：
<?php
$layers = ['a' => array_fill(0, 50, 1), 'b' => array_fill(0, 5000, 1)];
$total = 5050;
$sampleTotal = 200;
$minPerLayer = 20;
$plan = [];
$remain = $sampleTotal;
foreach ($layers as $k => $g) {
$cnt = count($g);
$p = (int)round($cnt / $total * $sampleTotal);
if ($p < $minPerLayer) {
$p = min($minPerLayer, $cnt);
}
$plan[$k] = $p;
$remain -= $p;
}
// 若 remain 为负，从最大层削减
if ($remain < 0) {
arsort($layers);
$bigKey = key($layers);
$plan[$bigKey] += $remain; // remain为负数
}
print_r($plan);
?>
这段逻辑先满足小层底线，再让大层吸收误差。实际项目中，还可以将余数按层数平分，或用最大余数法让占比小数点后的部分决定谁多抽一条，从而把总样本量精确锁定在目标值。
四、性能与注意事项
对于十万级以下的php数组，上述分组加随机抽样的写法内存和时间都够用，因为foreach分组是O(n)，array_rand在内部用 Fisher-Yates 洗牌思路取数，效率也不错。但若数据达到百万且常驻内存吃紧，建议先以数据库GROUP BY配合ORDER BY RAND()限制每类条数查出，再在php里合并，避免全量载入。
另外，抽样过程务必使用稳定随机种子（如mt_srand）以保证可复现，尤其在自动化报表里，同一份原始数据每次跑出不同样本会让核对人员困惑。最后提醒，代码中若用到shuffle请注意它会重置数组键名，合并时用array_values规整即可。
五、总结
php中对数组做分层抽样并不复杂，关键是先按类别字段拆层、再依比例或阈值分配名额、最后层内随机抽取。相比盲目array_rand，它能有效解决样本失衡，在用户调研、日志分析、AB测试流量切分中都很实用。只要处理好极小层保护和总量修正，就能写出健壮且易维护的抽样函数。
phparray_samplingstratified_sampling修改时间：2026-08-10 02:18:36