使用R dplyr筛选满足多条件的最优10人球员组合

优化实现方案 #

你原来的全量10人组合方案计算量过大，我们可以通过按角色拆分生成组合的方式大幅降低计算量，直接从生成环节就满足2C/4F/4G的配额要求，避免后续无效筛选，配合dplyr+purrr可以高效实现需求。

实现步骤

1. 按角色拆分球员数据集，分别生成对应配额的位置组合
2. 预计算每个位置组合的得分总和、index总和
3. 交叉拼接所有位置组合，筛选总得分符合区间要求的结果
4. 按总index降序排序，排在最前的就是你要的最优组合

完整代码

library(tidyverse)
# 你提供的示例数据集
set.seed(123)
players <- paste("player",rep(1:20))
score <- runif(20, min=4, max=16.7)
index <- runif(20, min=-1, max=9)
role <- rep(c("C","F","F","G","G"),4)
df <- data.frame(players, score, index,role)

# 自定义函数：生成指定位置、指定人数的所有组合，返回组合的球员列表、得分和、index和
gen_role_combs <- function(data, role_name, pick_n) {
  combn(nrow(data), pick_n, simplify = FALSE) %>% 
    map_dfr(~{
      selected <- slice(data, .x)
      tibble(
        !!sym(paste0(role_name, "_players")) := list(selected$players),
        !!sym(paste0(role_name, "_score")) := sum(selected$score),
        !!sym(paste0(role_name, "_index")) := sum(selected$index)
      )
    })
}

# 按角色拆分数据集
c_df <- filter(df, role == "C")
f_df <- filter(df, role == "F")
g_df <- filter(df, role == "G")

# 生成各位置符合配额的组合
c_combs <- gen_role_combs(c_df, "C", 2)
f_combs <- gen_role_combs(f_df, "F", 4)
g_combs <- gen_role_combs(g_df, "G", 4)

# 拼接所有组合，筛选符合得分要求的结果，按总index降序排序得到最优组合
result <- crossing(c_combs, f_combs, g_combs) %>% 
  mutate(total_score = C_score + F_score + G_score,
         total_index = C_index + F_index + G_index) %>% 
  filter(total_score >= 95.5, total_score <= 100.4) %>% 
  arrange(desc(total_index))

# 提取最优组合的10名球员名单
best_10_players <- c(result$C_players[[1]], result$F_players[[1]], result$G_players[[1]])
best_10_players

效果说明

该方案的总计算量仅为C(4,2)*C(8,4)*C(8,4)=29400次，对比你原来全量10人组合的C(20,10)=184756次，计算量降低84%，运行效率提升非常明显。

内容的提问来源于stack exchange，提问作者LDT