R中使用dplyr filter基于概率过滤的问题及可行性探讨

结论：不可靠，这种写法必然会出现不符合预期的异常结果

你尝试的代码之所以会出现“同时保留两种类型”或“都不保留”的异常，本质是因为filter()内部的if语句会逐行执行随机抽样判断，而非对整个数据集只执行一次判断。也就是说，每一行数据都会单独触发一次runif(1)的抽样，导致有的versicolor行通过判断被保留，有的virginica行也通过判断被保留，或者两者都被过滤掉，这就是正确结果占比仅78%的原因。

要实现你的目标，必须保证随机判断只执行一次，然后将统一的过滤条件应用到整个数据集上。你给出的分开执行if语句的方案是可靠的，因为它先完成抽样，再通过单次随机判断决定过滤规则，整个数据集都遵循同一规则。

如果想保持管道的连贯性，也可以用大括号封装单次随机判断，避免打断管道：

as_tibble(iris) %>%
  group_by(Species) %>%
  mutate(draw = case_when(
    Species == "setosa" ~ 5,
    Species == "versicolor" ~ 1,
    Species == "virginica" ~ 1
  )) %>%
  slice(sample(n(), draw[1])) %>%
  {
    # 仅执行一次随机判断
    keep_virginica <- round(runif(1), 3) <= 1/8
    if (keep_virginica) {
      filter(., Species != "versicolor")
    } else {
      filter(., Species != "virginica")
    }
  }

总结：在dplyr::filter()内直接嵌入依赖随机抽样的分支逻辑是不具备实用性的，因为它会破坏“统一过滤规则”的预期。必须确保随机判断是全局唯一的，再将规则应用到整个数据集，才能得到稳定符合要求的结果。

内容的提问来源于stack exchange，提问作者David Robie