如何将dataframe划分为因子互斥分组，保证同一因子仅归属同一分组

核心实现逻辑是先为每个唯一的car因子值分配固定组号，再将组号映射回原数据集，从根源上避免同一因子被拆分到多个分组。

方法1：tidyverse 实现（按因子数量均分分组） #

该方法适合不同car对应的记录数差异不大的场景，分组逻辑为将唯一car值平均分配到指定数量的分组中：

library(dplyr)

# 示例数据
test = data.frame(car = c("A", "A", "B", "C", "D", "E", "B", "C", "D"), value = c(5,4,3,5, 6, 6, 7 ,8 ,10))

# 1. 为每个唯一car分配分组
car_group <- test %>%
  distinct(car) %>%
  mutate(group = ntile(car, 2)) # 第二个参数为目标分组数，需小于等于唯一car的数量

# 2. 分组匹配回原数据集
test_result <- test %>%
  left_join(car_group, by = "car")

方法2：tidyverse 实现（按记录数均衡分组） #

如果不同car对应的记录数差异很大，希望每个分组的总行数尽量接近，可以使用按累计记录数切分的逻辑：

library(dplyr)

car_group <- test %>%
  count(car, name = "row_cnt") %>% # 统计每个car对应的行数
  arrange(desc(row_cnt)) %>% # 大样本量car优先排序，避免分组样本量差异过大
  mutate(cum_cnt = cumsum(row_cnt),
         group = cut(cum_cnt, breaks = 2, labels = FALSE)) # breaks参数为目标分组数

test_result <- test %>%
  left_join(select(car_group, car, group), by = "car")

方法3：基础R 实现 #

不需要加载第三方包的轻量实现：

# 示例数据
test = data.frame(car = c("A", "A", "B", "C", "D", "E", "B", "C", "D"), value = c(5,4,3,5, 6, 6, 7 ,8 ,10))

# 生成car与组号的映射关系
unique_car <- unique(test$car)
car_group_map <- setNames(ntile(unique_car, 2), unique_car) # 第二个参数为目标分组数

# 映射回原数据
test$group <- car_group_map[test$car]

注意事项 #

• 目标分组数不能超过car列的唯一值数量，否则会出现空分组
• 如果需要每次生成分组的结果完全固定，可以在分配组号前执行set.seed(自定义数值)固定随机种子；如果按字符顺序分配组号则本身就是固定结果，不需要额外设置。

内容的提问来源于stack exchange，提问作者DR15