使用dplyr/tidyr拆分数据集：确保同一ID仅在单个分块中

这个问题确实很典型——直接用ntile()对原始数据的id列处理时，因为同一个ID对应多行，会被分散到不同分块里，完全不符合「同一ID仅出现在一个分块」的要求。我们需要换个思路：先给每个唯一ID分配分块标签，再把标签关联回原数据集，这样就能保证同一ID的所有行都属于同一个分块。

具体实现步骤 #

首先加载dplyr，并定义你的示例数据集：

library(dplyr)
test <- data.frame(id= c(1,2,3,4,4,4,4,4,6,7,8,9,9,9,9,10), val = 1:16)

步骤1：给唯一ID分配分块标签

先提取数据中所有不重复的ID，然后用ntile()给这些ID分配分块（这里以拆分3块为例）：

id_block_mapping <- test %>%
  distinct(id) %>%  # 获取唯一ID集合
  mutate(block = ntile(row_number(), n = 3))  # 给每个ID分配分块编号

步骤2：关联分块标签到原数据集

通过left_join()把分块标签合并回原始数据，这样每个ID的所有行都会带上同一个分块号：

test_with_blocks <- test %>%
  left_join(id_block_mapping, by = "id")

步骤3：按分块拆分数据集

最后用group_split()按分块号拆分数据集，得到3个独立的数据框：

split_datasets <- test_with_blocks %>%
  group_split(block, .keep = FALSE)

验证效果 #

你可以检查某个ID的所有行是否都在同一个分块里，比如ID=4：

# 查看第一个分块中的ID=4数据
split_datasets[[1]] %>% filter(id == 4)
# 查看第二个分块中的ID=4数据（应该为空）
split_datasets[[2]] %>% filter(id == 4)

可选：随机分块 #

如果需要随机分配ID到不同分块（而不是按ID顺序），可以把步骤1中的ntile()替换为随机抽样：

id_block_mapping <- test %>%
  distinct(id) %>%
  mutate(block = sample(1:3, size = n(), replace = TRUE))

内容的提问来源于stack exchange，提问作者gabagool