能否仅通过pvt_edu、pvt_sex、pvt_age表还原原始df数据表？

能否仅利用pvt_edu、pvt_sex、pvt_age这三张汇总表的信息，还原出与原始df数据表结构完全一致的表格？以下是示例代码，尝试用GPT生成的表格与生成这些汇总表的原始df结构不符。

library('tidyverse')

sex <- c('M','F')
age <- c('18-25','26-34','35-50','51-65','66-99')
education <- c("No education", "Primary", "Secondary")
residence <- c('village','town','city')
size=150

df <- 
  data.frame(sex=sample(sex,size,T)
           ,age=sample(age,size,T)
           ,education=sample(education,size,T)
           ,residence=sample(residence,size,T)
           )

pvt_age <- 
  df %>% 
  group_by(age,residence)  %>% 
  count

pvt_sex <- 
  df %>% 
  group_by(sex,residence)  %>% 
  count

pvt_education <- 
  df %>% 
  group_by(education,residence)  %>% 
  count

不能。这三张汇总表仅记录了「年龄-居住地」「性别-居住地」「教育水平-居住地」两两组合的频数，完全丢失了原始数据中性别、年龄、教育水平三个维度之间的关联信息，因此无法还原出与原始df完全一致的个体层面数据。

举个简单例子：pvt_sex告诉你城市里有多少男性和女性，pvt_age告诉你城市里各年龄组的人数，但你无法知道这些男性分别属于哪个年龄组、对应什么教育水平——因为三张表没有记录这些属性的交叉对应关系。

如果只是需要结构一致的表格（列名、列类别相同，各维度频数匹配），可以生成满足汇总表统计规则的模拟数据，但这类数据的个体属性组合是随机匹配的，和原始df的真实数据对应关系完全不同。示例代码如下：

library(tidyverse)

# 定义各维度的类别（与原始数据一致）
sex <- c('M','F')
age <- c('18-25','26-34','35-50','51-65','66-99')
education <- c("No education", "Primary", "Secondary")
residence <- c('village','town','city')

# 假设已有三张汇总表（这里用原代码生成的作为示例）
pvt_age <- df %>% group_by(age,residence) %>% count
pvt_sex <- df %>% group_by(sex,residence) %>% count
pvt_education <- df %>% group_by(education,residence) %>% count

# 按居住地拆分，生成满足各维度频数的模拟数据
simulated_df <- map_dfr(residence, function(place) {
  # 提取当前居住地的各维度频数
  age_counts <- pvt_age %>% filter(residence == place) %>% pull(n)
  sex_counts <- pvt_sex %>% filter(residence == place) %>% pull(n)
  edu_counts <- pvt_education %>% filter(residence == place) %>% pull(n)
  
  # 生成各维度的样本列表
  age_samples <- rep(pvt_age$age[pvt_age$residence == place], age_counts)
  sex_samples <- rep(pvt_sex$sex[pvt_sex$residence == place], sex_counts)
  edu_samples <- rep(pvt_education$education[pvt_education$residence == place], edu_counts)
  
  # 随机打乱后组合（因无关联信息，只能随机匹配）
  tibble(
    sex = sample(sex_samples),
    age = sample(age_samples),
    education = sample(edu_samples),
    residence = place
  )
})

内容的提问来源于stack exchange，提问作者knrd_f1