如何基于预定义配额在tibble中随机拆分类别为子类别

核心思路 #

先将预定义的拆分规则转换为宽格式（每个Class对应X、Y的分配数量），再对原始数据按Class分组，每组内随机打乱顺序后，根据配额标记对应的Subclass标签。

完整代码实现 #

library(tidyverse)

# 原始数据集
df <- tibble(Class = c(rep("A", 120), rep("B", 200), rep("C", 300)), 
             Values = runif(620))

# 预定义的拆分配额表
df2 <- tibble(Class = c("A", "A", "B", "B", "C", "C"), 
              Subclass = rep(c("X", "Y"), 3), 
              predefined_split = c(47, 73, 126, 74, 101, 199))

# 转换拆分规则为宽格式，便于按Class匹配配额
split_rules <- df2 %>%
  pivot_wider(names_from = Subclass, values_from = predefined_split)

# 执行随机拆分并分配Subclass
result_df <- df %>%
  group_by(Class) %>%
  # 每组内随机打乱行顺序，保证拆分的随机性
  slice_sample(prop = 1) %>%
  # 根据配额标记Subclass：前X个配额数的行标记为X，剩余为Y
  mutate(Subclass = case_when(
    row_number() <= pull(filter(split_rules, Class == cur_group()$Class), X) ~ "X",
    TRUE ~ "Y"
  )) %>%
  ungroup()

# 验证拆分结果是否符合预定义配额
result_df %>%
  count(Class, Subclass)

关键步骤说明 #

• pivot_wider：把长格式的拆分规则转为宽格式，每个Class对应一行，包含X和Y的分配数量，方便后续分组匹配。
• slice_sample(prop = 1)：对每个Class组内的行进行随机重排，确保拆分是完全随机的，避免顺序带来的偏差。
• case_when + row_number()：结合当前组的X配额，给前N行标记为X，剩余行标记为Y，实现精准的数量分配。
• 最后用count函数可以快速验证每个Class下X、Y的数量是否和预定义配额一致。

内容的提问来源于stack exchange，提问作者SiH