如何在data.table中按组随机标记指定数量的行？

这个问题的核心是你混淆了全局行号（.I）和组内位置索引，而且当sample()返回多个值时，直接用==做逻辑判断会因为长度不匹配导致结果不符合预期。咱们一步步来解决它：

首先明确需求：每个C1分组里随机标记最多N行（如果组内行数少于N，就标记所有行）。

正确的解决方案 #

咱们用组内位置索引来处理，这样能保证每个分组内的逻辑判断长度完全匹配，不会出问题。

方法1：分组内直接生成标记逻辑

这是最高效的方式，直接在每个分组里生成对应行的标记：

set.seed(1)
dt = data.table(
  C1 = c("A","A","A","B","C","C","C","D","D","D"),
  C2 = c(2,1,3,1,2,3,4,5,4,5)
)

# 定义要标记的数量
N <- 2
dt[, C3 := seq_len(.N) %in% sample(.N, min(.N, N)), by = C1]

运行后查看结果：

dt
#    C1 C2    C3
# 1:  A  2  TRUE
# 2:  A  1 FALSE
# 3:  A  3  TRUE
# 4:  B  1  TRUE  # 组B只有1行，正确标记
# 5:  C  2 FALSE
# 6:  C  3  TRUE
# 7:  C  4  TRUE
# 8:  D  5  TRUE
# 9:  D  4 FALSE
#10:  D  5  TRUE

方法2：先收集选中的全局行号再标记

如果你需要单独获取选中的行号，也可以先收集所有符合条件的全局行索引，再统一标记：

selected_rows <- dt[, .(selected = .I[sample(.N, min(.N, N))]), by = C1]$selected
dt[, C3 := .I %in% selected_rows]

这个方法和方法1结果完全一致，适合需要对选中行做额外处理的场景。

为什么之前的方法失效？ #

咱们来拆解你之前的问题：

1. 用.I == sample(.I, ...)的问题：当sample()返回多个值时，比如组A返回c(1,3)，.I是全局行号（组A的.I是1,2,3），此时1 == c(1,3)会返回c(TRUE, FALSE)，2 == c(1,3)返回c(FALSE, FALSE)，3 == c(1,3)返回c(FALSE, TRUE)——最终会得到一个长度为6的逻辑向量，而组A只有3行，data.table无法正确匹配，导致结果混乱。
2. 组B未被标记的问题：你之前用dt[, C3 := .I == sample(.I, 1), by = C1]时，组B的.I是4，但由于随机状态的影响（前面的分组已经消耗了随机数），sample(4,1)返回的不是4，所以4 == 非4得到FALSE。而用组内位置sample(.N, 1)时，组B的.N=1，sample(1,1)必然返回1，所以组内唯一行的seq_len(.N) == 1会得到TRUE，完美解决这个问题。

关键要点 #

• 优先用组内位置索引（seq_len(.N)）代替全局行号.I做分组内的逻辑判断，避免长度不匹配。
• 用min(.N, N)确保当组内行数不足N时，自动标记所有行，不用额外写判断逻辑。

内容的提问来源于stack exchange，提问作者Serhii