data.table实现无放回重复抽样填充NA值代码失效的原因排查

核心失效机制 #

• 问题本质是抽样范围的计算没有随循环进度动态更新，导致跨循环重复抽取已赋值的行，最终非NA值被覆盖、有效样本数不足。
• 典型的两种错误实现路径：
  1. 完全未做NA状态筛选，每轮直接从全表无差别抽2行，写法示例：

     library(data.table)
     dt <- data.table(id = 1:10, target = NA_real_)
     for (i in 1:3) {
       pick_rows <- sample(.N, 2)
       dt[pick_rows, target := i]
     }
     

     这种写法下抽样过程不排除已赋值行，不同轮次抽到的行完全可能重叠，最终有效非NA行可低至3个（每轮和上一轮重叠1个样本）。
  2. 提前在循环外计算初始NA行的行号集合，循环内固定从该集合抽样，写法示例：

     init_na_rows <- which(is.na(dt$target))
     for (i in 1:3) {
       pick_rows <- sample(init_na_rows, 2)
       dt[pick_rows, target := i]
     }
     

     这种写法看起来做了NA筛选，但行号集合是循环启动前的静态快照，不会随着每轮赋值操作自动剔除已经被选中的行，依然会出现跨轮次重复抽样的问题。

关键认知误区 #

• data.table的动态筛选逻辑只有写在i参数位置、在每轮循环执行时实时运行，才会匹配当前数据表的最新状态；提前计算好的行号向量是静态值，不会自动跟随表的更新变化。
• 无放回抽样的约束是跨全流程不重复，而非仅单轮内不重复。只要没有在每轮抽样前重新划定剩余可抽的NA行范围，就无法满足不重复抽样的要求。

符合预期的实现方式 #

每轮循环内动态刷新当前仍为NA的行集合，再执行抽样赋值：

dt <- data.table(id = 1:10, target = NA_real_)
for (i in 1:3) {
  # 每轮循环实时计算剩余NA行
  current_na_rows <- which(is.na(dt$target))
  if (length(current_na_rows) < 2) break
  pick_rows <- sample(current_na_rows, 2)
  dt[pick_rows, target := i]
}

这种写法下每轮都会排除已经被赋值的行，3轮下来刚好生成6个不重复的非NA值，完全匹配需求。

内容的提问来源于stack exchange，提问作者Roland