最近在做一个关于sampling的项目，有一个问题很有趣，想跟大家讨论一下。
这个data有37747个关于付款的数据，现在已经按照大小排序好，最少付款额是1块，最高是61125.21，现在想从这37747个数据里面选出600个sample在付款额上代表整个数据。一种想法是因为这些钱数都比较分散，并不是平均分布的，所以用SRS的方法不太合理。所以想到既然是要对钱数做sample，那就索性做10个strata，每一个strata里面包含10%的total payment，这样的话，落在0-10%的数据最多，然后10%-20%里面其次，这样下去，90%-100%里面数据最少，然后按照一定比例，在每个strata里面抽取一定量的sample，最后合成600个。

我现在的想法是既然要取600个sample，那我可以直接做600个strata，这样的话，每个strata里面随机取一个数据去表征这一个strata，然后把这600个sample合并起来。但是实际操作中发现，因为数据是付款大小排列，最高的金额61125.21可能已经占到整个付款额的1%左右，那样第600个或者第599个strata里面只会有一个数据，那样选的话，最大的几个值一定会选中，这样就会使整个sample的有些skew to the right.
proc sql;
create table sum as
select sum(payment) as total from sorted
;
quit;

data sort1;
if _n_=1 then set sum;
set sorted;
cum+payment;
strata=ceil((cum/total)*600);
run;

有时候用这种方法都不一定能够得到600个strata，可能差了1-2个，所以我的想法就是把最后几个里面只有一个数据的strata合并成一个新的strata，然后倒着推上去，重新把剩下的数据按照付款额再分599个strata，把最后几个里面只有一个数据的strata合并成一个新的strata，然后以此从下往上类推上去，直到里面所有的strata里面都至少含有两个数据以上，然后再用SRS的方法每个strata里面取出一个数据来。


我自己试了一下，可能是我自己写程序的时候逻辑还不是很清楚，所以折腾了好半天也不行，不知道版上有没有哪位兄弟可以一起与我讨论一下，甚至提出一些更好的方法来呢？