如何为数据框列随机分配NA值并重复生成多份数据集？

1. 定义原始数据框 #

首先创建你给出的基础数据：

df <- data.frame(V1 = c(0, 0, 0, 1, 0, 1, 1, 1, 1, 0),
                 V2 = c(0, 0, 0, 1, 1, 1, 1, 1, 1, 0),
                 V3 = c(0, 1, 1, 0, 0, 0, 1, 1, 0, 1))

2. 编写生成含NA数据集的函数 #

写一个可复用的函数，负责给V1列随机添加2个NA：

generate_na_df <- function(original_df) {
  # 复制原数据框，避免修改原始数据
  new_df <- original_df
  # 无放回随机抽取2个行索引，确保不会重复选中同一行
  na_row_indices <- sample(nrow(new_df), size = 2)
  # 为选中行的V1列赋值NA
  new_df$V1[na_row_indices] <- NA
  return(new_df)
}

3. 生成10份独立数据集 #

通过lapply循环调用函数，生成10个不同的数据集并存储在列表中：

# 若需要固定随机结果方便复现，可以添加set.seed(123)；不加的话每次运行都会生成全新的随机结果
df_list <- lapply(1:10, function(x) generate_na_df(df))

4. 导出所有数据集 #

循环遍历列表，将每个数据集导出为单独的CSV文件，文件名按序号区分：

for (idx in 1:length(df_list)) {
  write.csv(
    df_list[[idx]],
    file = paste0("df_", idx, ".csv"),
    row.names = FALSE # 关闭行号导出，让输出文件更简洁
  )
}

额外说明 #

• 每次生成的数据集不同是因为sample函数默认做无放回随机抽样，10次抽样出现重复的概率极低，无需额外处理。
• 如果一定要确保10份数据集完全不重复，可以在生成时加入重复检查逻辑，但对于这个场景来说完全没必要。

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