编写支持group_by的友好型R函数：自定义验证列生成求助

核心优化思路 #

放弃使用已逐步弃用的do()，转而利用dplyr的分组上下文自动特性，结合mutate或group_modify()实现兼容分组/非分组数据的流畅管道函数。

方案1：极简通用版（兼容分组与非分组） #

dplyr在分组数据中调用n()时，会自动识别为组内行数；非分组时则返回总行数，因此无需额外判断即可实现通用拆分：

split_train_val <- function(data, train_prop = 0.75) {
  data %>%
    dplyr::mutate(
      # 按比例随机分配训练集标记
      training = sample(c(TRUE, FALSE), 
                       size = dplyr::n(), 
                       replace = TRUE, 
                       prob = c(train_prop, 1 - train_prop)),
      # 验证集与训练集互斥
      validation = !training
    )
}

使用示例：

• 非分组数据：mtcars %>% split_train_val()
• 分组数据：mtcars %>% dplyr::group_by(cyl) %>% split_train_val()

方案2：带精细控制的进阶版 #

如果需要限制每组训练集的最小样本量（避免小分组拆分后样本不足），可以用group_modify()实现：

split_train_val <- function(data, train_prop = 0.75, min_train = 2) {
  data %>%
    dplyr::group_modify(function(group, ...) {
      n_group <- nrow(group)
      # 确保训练集样本数不低于设定最小值
      train_n <- max(floor(train_prop * n_group), min_train)
      train_idx <- sample(n_group, train_n)
      
      group %>%
        dplyr::mutate(
          training = dplyr::row_number() %in% train_idx,
          validation = !training
        )
    }) %>%
    dplyr::ungroup() # 可选：根据需求保留/取消分组状态
}

为什么if()+do()会失败？ #

do()的语法逻辑与现代dplyr管道风格不兼容，容易出现上下文环境混淆（比如变量引用、分组识别出错）。而mutate/group_modify()是为分组数据操作设计的原生函数，能自动适配分组上下文，代码更简洁可靠。

内容的提问来源于stack exchange，提问作者Niall Marsay