R语言按指定列唯一值对数据集分组并分配唯一组ID

你这个需求属于精确属性匹配分组，不属于常规基于距离计算的无监督聚类，不需要做标准化、距离度量这类复杂操作，核心逻辑是识别指定5个字段的唯一值组合，给每组分配固定ID即可，入门门槛很低，下面给两种可直接运行的实现方案。

方案1：Base R原生实现（无需安装第三方包） #

不需要额外装任何包，兼容性最好，ID顺序严格按照属性组合在数据集中第一次出现的顺序生成，不会自动排序打乱顺序。

# 按要求顺序指定分组依据列
group_cols <- c("Product.group", "Performance", "Family", "Function", "Voltage")

# 生成唯一组ID
Data.df$group_id <- as.integer(
  factor(
    # 用特殊分隔符拼接多列值，避免单分隔符导致的组合键冲突
    do.call(paste, c(Data.df[group_cols], sep = "_||_")),
    # 锁定组合顺序，按数据中首次出现的顺序编号
    levels = unique(do.call(paste, c(Data.df[group_cols], sep = "_||_")))
  )
)

# 如果需要把每个分组拆成独立的子集数据框，直接运行这行即可
group_list <- split(Data.df, f = Data.df$group_id)

说明：这里选_||_当拼接分隔符，是为了避免列值本身含下划线时，不同属性组合被误判为同一个——比如某行Product.group值为"a_b"、Performance为"c"，另一行Product.group为"a"、Performance为"b_c"，如果用单下划线拼接，两个组合的拼接结果会完全一致导致分组错误，用特殊多字符分隔符可以完全规避这个问题。

方案2：dplyr实现（代码可读性更高，适合日常数据处理） #

如果你平时用tidyverse生态做数据处理，dplyr的语法更简洁易读，逻辑和原生方案完全一致：

# 没装包的话先运行 install.packages("dplyr")
library(dplyr)

# 生成组ID
Data.df <- Data.df %>%
  group_by(across(all_of(group_cols))) %>%
  mutate(group_id = cur_group_id()) %>%
  ungroup()

# 拆分为独立子集列表
group_list <- Data.df %>%
  group_by(group_id) %>%
  group_split()

分组结果校验（新手必做） #

为了避免列名写错、分隔符冲突导致的分组错误，跑完代码后可以用下面的语句校验，返回TRUE就说明分组完全正确：

check_pass <- Data.df %>%
  group_by(group_id) %>%
  # 统计每个组ID下对应多少种不同的属性组合
  summarise(comb_n = n_distinct(across(all_of(group_cols))), .groups = "drop") %>%
  # 所有组都只有1种组合即为校验通过
  pull(comb_n) %>%
  all(. == 1)

print(check_pass)

注意事项 #

• 不要把这个分组逻辑和K-means、层次聚类这类无监督聚类混淆：后者是基于样本距离做的“模糊”分簇，你现在的需求是按指定属性做精确匹配分组，逻辑要简单得多
• 如果指定的5个列里存在缺失值NA，上述代码会默认把NA取值一致的行归为同一组，如果需要排除带缺失值的记录，分组前先运行Data.df <- na.omit(Data.df, cols = all_of(group_cols))过滤即可
• 最终生成的group_id是从1开始的连续整数，后续做分组统计、分簇下钻分析都可以直接用这个字段当分组标识

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