R语言如何基于多字段条件为dataframe新增规则匹配的c_sep变量

以下两种方案均可完全匹配赋值规则，可根据自己的代码习惯选择：

方案1：Base R 原生实现（无第三方包依赖） #

优先推荐向量化写法，运行效率高，适配百万行级大数据量：

# 假设原数据框存储在变量df中
df$c_sep <- 0 # 所有行默认赋值为0

# 匹配Qi==1或Qi==2的行，生成对应区间随机数
idx_group1 <- df$Qi %in% c(1, 2)
df$c_sep[idx_group1] <- runif(
  n = sum(idx_group1),
  min = df$c_gen[idx_group1] + 6,
  max = df$Age[idx_group1]
)

# 匹配Qi==3或Qi==4的行，生成对应区间随机数
idx_group2 <- df$Qi %in% c(3, 4)
df$c_sep[idx_group2] <- runif(
  n = sum(idx_group2),
  min = df$Age[idx_group2] - 15,
  max = df$Age[idx_group2]
)

# 兜底：将区间不合法产生的NaN/NA值替换为0
df$c_sep[is.na(df$c_sep) | is.nan(df$c_sep)] <- 0

方案2：dplyr 实现（适配tidyverse管道工作流） #

如果日常使用tidyverse生态处理数据，可直接用以下代码：

library(dplyr)

# 大数据量向量化写法
df <- df %>%
  mutate(
    c_sep = 0,
    # 处理第一类规则
    c_sep = ifelse(
      Qi %in% c(1,2),
      runif(n(), min = c_gen + 6, max = Age),
      c_sep
    ),
    # 处理第二类规则
    c_sep = ifelse(
      Qi %in% c(3,4),
      runif(n(), min = Age -15, max = Age),
      c_sep
    ),
    # 异常值兜底
    c_sep = ifelse(is.na(c_sep) | is.nan(c_sep), 0, c_sep)
  )

如果数据量在10万行以内，也可以用可读性更强的行级处理写法：

library(dplyr)

df <- df %>%
  rowwise() %>%
  mutate(
    c_sep = case_when(
      Qi %in% c(1,2) ~ runif(1, c_gen + 6, Age),
      Qi %in% c(3,4) ~ runif(1, Age - 15, Age),
      TRUE ~ 0
    ),
    c_sep = ifelse(is.nan(c_sep), 0, c_sep)
  ) %>%
  ungroup()

使用注意事项 #

• 代码默认生成均匀分布连续随机数，如果需要生成区间内整数随机数，将runif()替换为整数采样逻辑即可。
• 所有方案均添加了异常兜底逻辑：如果出现区间下限≥上限的逻辑异常行（例如c_gen+6≥Age），会自动将对应行c_sep赋值为0，避免产出NaN、Inf类无效值。
• 如果需要固定随机结果保证可复现，在运行代码前执行set.seed(任意整数值，例如set.seed(1234))即可。

内容的提问来源于stack exchange，提问作者Majed