如何在R中基于样本量与百分比还原二进制原始数据集？

需求说明 #

现有数据集包含year、location、ID、sample_size、percent字段，每个year/location/ID组合对应固定样本量和“是”的占比。需要生成包含二进制Y_N列（1=是，0=否）的完整展开数据集，使每个组合的Y_N分布匹配对应的percent数值，且希望通过dplyr实现分组展开。

示例输入数据集 #

table <- "year location ID sample_size percent
1  2000     A   1a    10    40
2  2001     A   1a    10    30
3  2000     B   2a    10    70
4  2001     B   2a    10    90
5  2005     C   1a    20    10
6  2006     C   1a    20    50"

# 创建数据框
df <- read.table(text=table, header = TRUE)

实现方案 #

可以用dplyr结合tidyr的unnest()实现，核心思路是分组后生成对应数量的1和0，再展开成多行数据：

library(dplyr)
library(tidyr)

expanded_df <- df %>%
  # 按唯一组合分组
  group_by(year, location, ID) %>%
  # 生成Y_N列表：先计算1的数量，再补0到样本量
  mutate(Y_N = list(c(rep(1, round(sample_size * percent / 100)),
                      rep(0, sample_size - round(sample_size * percent / 100))))) %>%
  # 展开列表列为多行
  unnest(Y_N) %>%
  # 移除原sample_size和percent字段（可选操作）
  select(-sample_size, -percent) %>%
  ungroup()

# 查看结果
head(expanded_df, 20)

补充说明 #

• round(sample_size * percent / 100)用于计算每个组中1的数量，确保百分比匹配；若需要更精确处理小数百分比，可替换为floor或ceiling函数。
• 若希望1和0随机分布（而非示例中前n个为1），可在list()内添加sample()打乱顺序：

mutate(Y_N = list(sample(c(rep(1, round(sample_size * percent / 100)),
                           rep(0, sample_size - round(sample_size * percent / 100))))))

示例输出（前20行） #

对应输入的前两个组合，展开后结果如下：

#    year location ID Y_N
# 1  2000        A 1a    1
# 2  2000        A 1a    1
# 3  2000        A 1a    1
# 4  2000        A 1a    1
# 5  2000        A 1a    0
# 6  2000        A 1a    0
# 7  2000        A 1a    0
# 8  2000        A 1a    0
# 9  2000        A 1a    0
# 10 2000        A 1a    0
# 11 2001        A 1a    1
# 12 2001        A 1a    1
# 13 2001        A 1a    1
# 14 2001        A 1a    0
# 15 2001        A 1a    0
# 16 2001        A 1a    0
# 17 2001        A 1a    0
# 18 2001        A 1a    0
# 19 2001        A 1a    0
# 20 2001        A 1a    0

内容的提问来源于stack exchange，提问作者cgxytf