如何为模拟DataFrame随机加缺失值及高效生成含连续与因子列的DataFrame？

针对你提出的两个问题，我来一步步梳理解决方案，结合你的示例代码做优化和补充：

你原来的代码是通过数值范围条件（比如age <19 | age >88）来设置NA，这是基于业务规则的缺失值生成方式。如果要随机按固定比例（比如每列5%）生成缺失值，我们可以用更灵活的批量处理方法：

library(dplyr)

# 先修正你原模拟数据的参数错误（rnorm的第二个参数是均值，不是范围）
N <- 2000
data <- data.frame(
  id = 1:N,
  age = rnorm(N, mean = 54, sd = 20),  # 覆盖18-90的合理均值与标准差
  bmi = rnorm(N, mean = 27.5, sd = 6),
  chol = rnorm(N, mean = 200, sd = 70),
  insulin = rnorm(N, mean = 21, sd = 11),
  sbp = rnorm(N, mean = 125, sd = 37.5),
  dbp = rnorm(N, mean = 90, sd = 30),
  sex = factor(c(rep(1, 1000), rep(2, 1000)), labels = c("Male", "Female")),
  smoke = factor(rep(c(1, 2), 1000), labels = c("Yes", "No")),
  educ = factor(sample(LETTERS[1:4], size = N, replace = TRUE)) # 必须指定size=N，否则仅生成1个值
)

# 方法1：给指定列（比如age、bmi、insulin）添加5%随机缺失值
set.seed(123) # 设置随机种子保证结果可复现
data_partial_na <- data %>%
  mutate(across(c(age, bmi, insulin), ~ {
    # 随机挑选5%的行索引设为NA
    na_pos <- sample(length(.), size = round(0.05 * length(.)), replace = FALSE)
    .[na_pos] <- NA
    .
  }))

# 方法2：给除id外的所有列添加5%随机缺失值
data_full_na <- data %>%
  mutate(across(-id, ~ {
    na_pos <- sample(length(.), size = round(0.05 * length(.)), replace = FALSE)
    .[na_pos] <- NA
    .
  }))

这里用dplyr::across实现批量列处理，sample函数随机选中目标比例的行位置，直接赋值为NA，逻辑清晰且易于调整比例或目标列。

你原代码存在几个小问题：比如rnorm(N,18:90)是错误用法（rnorm的第二个参数是均值，不能传入范围向量），educ = sample(LETTERS[1:4])未指定size=N导致仅生成1个值。下面是更高效、易维护的写法：

方法1：用tidyverse工具模块化生成 #

library(tibble)
library(purrr)

N <- 2000

# 先定义连续列的参数（列名、均值、标准差），方便统一修改
continuous_specs <- list(
  age = c(mean = 54, sd = 20),
  bmi = c(mean = 27.5, sd = 6),
  chol = c(mean = 200, sd = 70),
  insulin = c(mean = 21, sd = 11),
  sbp = c(mean = 125, sd = 37.5),
  dbp = c(mean = 90, sd = 30)
)

# 批量生成连续列
continuous_cols <- map_dfc(continuous_specs, ~ rnorm(N, mean = .x["mean"], sd = .x["sd"]))

# 生成因子列
factor_cols <- tibble(
  id = 1:N,
  sex = factor(rep(c("Male", "Female"), each = N/2)),
  smoke = factor(rep(c("Yes", "No"), times = N/2)),
  educ = factor(sample(LETTERS[1:4], size = N, replace = TRUE))
)

# 合并成最终DataFrame
data_efficient <- bind_cols(factor_cols, continuous_cols)

这种方式把连续列和因子列分开处理，用map_dfc避免重复写rnorm，参数集中管理，后续调整数值范围或列名时更方便。

方法2：Base R简洁写法 #

如果你习惯用Base R，也可以直接一次性生成，逻辑同样清晰：

N <- 2000
data_base <- data.frame(
  id = 1:N,
  # 连续列
  age = rnorm(N, 54, 20),
  bmi = rnorm(N, 27.5, 6),
  chol = rnorm(N, 200, 70),
  insulin = rnorm(N, 21, 11),
  sbp = rnorm(N, 125, 37.5),
  dbp = rnorm(N, 90, 30),
  # 因子列
  sex = factor(rep(c(1,2), each=1000), labels=c("Male","Female")),
  smoke = factor(rep(c(1,2), 1000), labels=c("Yes","No")),
  educ = factor(sample(LETTERS[1:4], N, replace=TRUE))
)

总结一下：随机缺失值可以通过across+sample轻松实现按比例生成；高效模拟数据的核心是模块化处理不同类型的列，减少重复代码同时保证参数设置正确。

内容的提问来源于stack exchange，提问作者aelhak