如何为MainID/DOB相同且SubID不同的数据行随机分配0或1？

原始数据集 #

MainID    SubID     DOB            BMI
    1234      1234_A    Feb-19-2024    10.1

    1235      1235_A    Jan-11-2023    17.23
    1235      1235_B    Jan-11-2023    19.11

    5136      5136_A    May-17-2021    21.87
    5136      5136_B    May-17-2021    14.18
    5136      5136_C    May-17-2021    18.11

    3357      3357-A    Oct-06-2023    24.10   

    9124      9124-B    July-01-2021   12.09
    9124      9124-B    July-01-2021   15.06

需求说明 #

仅当行的MainID和DOB相同但SubID不同时，为这些行随机分配0或1；其余情况（单一行、MainID和DOB相同但SubID也相同的重复行）统一分配0，期望输出如下：

MainID    SubID     DOB             BMI   Col1
    1234      1234_A    Feb-19-2024     10.1  0

    1235      1235_A    Jan-11-2023     17.23 0
    1235      1235_B    Jan-11-2023     19.11 1

    3357      3357-A    Oct-06-2023     24.10 0

    5136      5136_A    May-17-2021     21.87 0  
    5136      5136_B    May-17-2021     14.18 0
    5136      5136_C    May-17-2021     18.11 1

    9124      9124-B    July-01-2021    12.09 0
    9124      9124-B    July-01-2021    15.06 0

用户尝试使用ifelse和duplicated(df[c("MainID", "DOB")])的方法未成功，需要可行的解决思路。

方法一：使用dplyr分组处理 #

核心思路是按MainID和DOB分组，先判断组内是否存在不同SubID且无重复SubID，再针对性分配值：

library(dplyr)

# 读取数据集
df <- read.table(text = "
    MainID    SubID     DOB            BMI
    1234      1234_A    Feb-19-2024    10.1
    1235      1235_A    Jan-11-2023    17.23
    1235      1235_B    Jan-11-2023    19.11
    5136      5136_A    May-17-2021    21.87
    5136      5136_B    May-17-2021    14.18
    5136      5136_C    May-17-2021    18.11
    3357      3357-A    Oct-06-2023    24.10   
    9124      9124-B    July-01-2021   12.09
    9124      9124-B    July-01-2021   15.06
", header = TRUE, stringsAsFactors = FALSE)

# 生成目标列Col1
df <- df %>%
  group_by(MainID, DOB) %>%
  mutate(
    # 标记组内是否有多个不同SubID
    has_multiple_subid = n_distinct(SubID) > 1,
    # 标记组内是否有重复SubID
    has_dup_subid = any(duplicated(SubID)),
    # 按规则分配0/1
    Col1 = ifelse(has_multiple_subid & !has_dup_subid, sample(c(0,1), n(), replace = TRUE), 0)
  ) %>%
  select(-has_multiple_subid, -has_dup_subid) %>%
  ungroup()

print(df)

方法二：Base R实现 #

无需依赖第三方包，用base R的分组函数完成处理：

# 读取数据集
df <- read.table(text = "
    MainID    SubID     DOB            BMI
    1234      1234_A    Feb-19-2024    10.1
    1235      1235_A    Jan-11-2023    17.23
    1235      1235_B    Jan-11-2023    19.11
    5136      5136_A    May-17-2021    21.87
    5136      5136_B    May-17-2021    14.18
    5136      5136_C    May-17-2021    18.11
    3357      3357-A    Oct-06-2023    24.10   
    9124      9124-B    July-01-2021   12.09
    9124      9124-B    July-01-2021   15.06
", header = TRUE, stringsAsFactors = FALSE)

# 按MainID+DOB分组处理
df$Col1 <- unlist(by(df, list(df$MainID, df$DOB), function(group) {
  has_multiple_subid <- length(unique(group$SubID)) > 1
  has_dup_subid <- any(duplicated(group$SubID))
  
  if (has_multiple_subid && !has_dup_subid) {
    sample(c(0,1), nrow(group), replace = TRUE)
  } else {
    rep(0, nrow(group))
  }
}))

print(df)

关键逻辑说明 #

1. 以MainID和DOB为分组单元，这是判断的基础；
2. 两个核心判断条件：
   • has_multiple_subid：组内存在多个不同的SubID（排除单一行的情况）；
   • has_dup_subid：组内有重复的SubID（排除同一SubID重复行的情况）；
3. 仅当两个条件同时满足时，才随机分配0/1，其余情况统一设为0。

内容的提问来源于stack exchange，提问作者Sundown Brownbear