在R中生成符合指定均值的整数型个人级教育年限数据集

问题背景 #

现有街区级数据集，包含字段：

• manzent：街区ID
• population：街区人口数
• scholarity：街区人均受教育年限（0-14之间的数值）

需要为每个唯一manzent生成population行个人级数据，要求：

• 个人scholarity为0-14的整数
• 该街区所有个人的scholarity均值与原街区的scholarity值误差不超过±0.001

之前尝试的循环方法因效率问题陷入无限运行，rnorm()生成小数不符合要求，现提供高效可行方案。

核心思路 #

将均值要求转换为总和范围要求：
原均值允许±0.001误差，对应街区个人受教育年限的总和允许范围为：
target_sum_min = floor(population * (scholarity - 0.001))
target_sum_max = ceiling(population * (scholarity + 0.001))

通过「先随机生成大部分数据，再微调少量元素」的方式替代全量重抽，避免无限循环，提升效率。

实现代码 #

1. 生成符合要求的个人受教育年限向量 #

generate_scholarity <- function(target_mean, n, min_val = 0, max_val = 14) {
  # 计算允许的总和范围
  target_sum_min <- floor(n * (target_mean - 0.001))
  target_sum_max <- ceiling(n * (target_mean + 0.001))
  
  # 先随机生成n个整数
  vec <- sample(min_val:max_val, n, replace = TRUE)
  current_sum <- sum(vec)
  
  # 如果当前总和在允许范围内，直接返回
  if (current_sum >= target_sum_min && current_sum <= target_sum_max) {
    return(vec)
  }
  
  # 否则微调元素，直到总和符合要求
  while (current_sum < target_sum_min || current_sum > target_sum_max) {
    # 随机选一个元素进行调整
    idx <- sample(1:n, 1)
    old_val <- vec[idx]
    
    # 根据当前总和与目标范围的差距，计算可调整的方向和幅度
    if (current_sum < target_sum_min) {
      # 需要增加总和，尽量把元素调大，但不超过max_val
      new_val <- min(max_val, old_val + (target_sum_min - current_sum))
    } else {
      # 需要减少总和，尽量把元素调小，但不低于min_val
      new_val <- max(min_val, old_val - (current_sum - target_sum_max))
    }
    
    # 更新总和和向量
    current_sum <- current_sum - old_val + new_val
    vec[idx] <- new_val
  }
  
  return(vec)
}

2. 应用到整个街区数据集 #

假设原数据集为original_df，使用dplyr批量处理每个街区：

library(dplyr)

# 生成个人级数据集
individual_df <- original_df %>%
  rowwise() %>%
  mutate(
    scholarity_individual = list(generate_scholarity(scholarity, population))
  ) %>%
  unnest(scholarity_individual) %>%
  rename(scholarity = scholarity_individual) %>%
  select(manzent, scholarity)

方案优势 #

• 避免了原循环方法中「全量重抽」导致的无限等待问题，通过局部微调快速收敛到符合要求的总和
• 严格保证个人scholarity为0-14的整数，且均值误差控制在±0.001以内
• 批量处理逻辑简洁，适配大规模街区数据集

内容的提问来源于stack exchange，提问作者mra