如何基于多维度因子生成指定行数的无重复data.frame数据集？

可以通过以下自定义函数实现需求，核心思路是逐行随机生成并去重，避免生成全量组合（适合维度组合数极大的场景）：

randomise_data <- function(n, ...) {
  # 收集输入的维度向量
  dims <- list(...)
  # 提取维度变量名作为数据集列名
  col_names <- sapply(substitute(list(...))[-1], deparse)
  
  # 计算所有可能的组合总数
  total_combinations <- prod(sapply(dims, length))
  
  # 处理请求行数超过总组合数的边界情况
  if (n >= total_combinations) {
    warning("请求行数超过所有可能的组合数，将返回全部组合")
    return(as.data.frame(setNames(dims, col_names)))
  }
  
  # 初始化空数据集
  result <- data.frame(matrix(nrow = 0, ncol = length(dims)))
  colnames(result) <- col_names
  
  # 设置最大尝试次数，防止无限循环
  max_tries <- n * 10
  
  while (nrow(result) < n && max_tries > 0) {
    # 从每个维度随机抽取一个元素组成单行
    new_row <- lapply(dims, sample, size = 1)
    new_row_df <- as.data.frame(new_row)
    colnames(new_row_df) <- col_names
    
    # 检查该行是否已存在，不存在则添加
    if (!any(apply(result, 1, function(x) all(x == new_row_df)))) {
      result <- rbind(result, new_row_df)
    }
    
    max_tries <- max_tries - 1
  }
  
  # 若尝试次数耗尽仍未凑够行数，给出警告
  if (nrow(result) < n) {
    warning(paste("已达到最大尝试次数，仅生成", nrow(result), "行无重复数据"))
  }
  
  # 重置行名
  rownames(result) <- NULL
  return(result)
}

函数特性 #

• 自动将输入的维度变量名作为数据集列名，无需手动指定
• 提前判断请求行数是否超过总组合数，避免无效循环，直接返回全量组合
• 设置最大尝试次数（默认n*10），平衡抽样效率与成功率，防止无限循环
• 逐行校验去重，确保输出数据集无重复行

使用示例 #

# 定义维度变量
sex <- c("M", "F")
age <- 18:65
nationality <- c("AU", "AT", "ES", "FR", "MX", "IN")
eye_colour <- c("blue", "brown", "green", "hazel")

# 生成10行无重复测试数据（设置随机种子保证结果可复现）
set.seed(123)
randomise_data(10, sex, age, nationality, eye_colour)

注意事项 #

• 加入set.seed()可以让随机生成的结果可复现
• 若维度组合数极大，该方法比生成全量组合后抽样更节省内存
• 可根据实际场景调整max_tries参数（比如改为n*20），提升难抽样场景的成功率

内容的提问来源于stack exchange，提问作者sebastian-c