R语言：为同名缺失clientid分配唯一不重复随机ID的问题

你有包含clientname和clientid两列的数据，部分客户的clientid为NA，需求是：

• 同名客户分配相同的唯一随机ID
• 不同名客户的ID不重复

但使用以下代码后，同名客户的ID仍然不同：

df1 <- df %>% dplyr::group_by(clientname) %>% dplyr::mutate(clientid = ifelse(is.na(clientid), sample(1:10000), clientid))

示例输入数据 #

clientname <- c("Mr A", "Mr B", "Mr B", "Mr C", "Mr D")
clientid <- c(NA,NA,NA,NA,1)
df <- data.frame(clientname, clientid)

原代码输出问题 #

# A tibble: 5 x 2
# Groups:   clientname [4]
  clientname clientid
  <chr>         <dbl>
1 Mr A            948
2 Mr B           4004
3 Mr B           7888  # 同一客户ID不同
4 Mr C           4668
5 Mr D              1

问题原因 #

mutate中调用sample(1:10000)时，会对每一行单独生成随机数，即使分组后，每行仍会执行一次采样，导致同组内不同行ID不一致。同时原代码没有排除已存在的非NA ID，可能出现新生成ID与已有ID重复的情况。

解决方案 #

需要为每个需要分配ID的客户分组只生成一个随机ID，同时确保新ID不与已存在的ID重复。以下是两种实现方式：

方式1：先生成分组ID再合并 #

library(dplyr)

# 示例数据
clientname <- c("Mr A", "Mr B", "Mr B", "Mr C", "Mr D")
clientid <- c(NA,NA,NA,NA,1)
df <- data.frame(clientname, clientid)

# 获取已使用的ID，避免重复
used_ids <- df %>% filter(!is.na(clientid)) %>% pull(clientid)

# 为需要分配ID的客户分组生成唯一随机ID
new_id_map <- df %>%
  filter(is.na(clientid)) %>%
  distinct(clientname) %>%
  mutate(clientid = sample(setdiff(1:10000, used_ids), n(), replace = FALSE))

# 合并回原数据
df1 <- df %>%
  left_join(new_id_map, by = "clientname") %>%
  mutate(clientid = coalesce(clientid.x, clientid.y)) %>%  # 优先取原ID，无则用新生成的ID
  select(clientname, clientid)

# 查看结果
df1

方式2：分组内直接生成单个随机ID #

df1 <- df %>%
  group_by(clientname) %>%
  mutate(
    clientid = ifelse(
      is.na(clientid),
      # 为每个分组仅生成1个随机ID，排除已使用的ID
      sample(setdiff(1:10000, df$clientid[!is.na(df$clientid)]), 1),
      clientid
    )
  ) %>%
  ungroup()

期望输出 #

> df1
  clientname clientid
1       Mr A      948
2       Mr B     4004
3       Mr B     4004
4       Mr C     4668
5       Mr D        1

内容的提问来源于stack exchange，提问作者user19779614