基于Left Join实现概率化数据分配的优雅方案问询

需求背景 #

需要根据tibble数据集中homeworld与species的组合，按指定概率随机分配职业（以starwars数据集为例：Tatooine的Human有50%概率为moisture farmer、30%为pilot、20%为mechanic），原方案用case_when枚举所有条件过于繁琐，希望通过关联配置表简化代码。

优化方案 #

我们可以将概率配置与业务逻辑分离，通过配置表+关联筛选的方式实现，无需逐行枚举条件：

1. 定义概率配置表

先创建包含分组键、职业、单次概率的配置表，再计算每组的累积概率（用于后续匹配随机数区间）：

library(tidyverse)

# 定义各分组的职业概率配置
occupations <- tribble(
  ~homeworld, ~species, ~occupation, ~probability,
  "Tatooine", "Human", "moisture farmer", 0.5,
  "Tatooine", "Human", "pilot", 0.3,
  "Tatooine", "Human", "mechanic", 0.2,
  # 可按需添加其他分组配置
  "Naboo", "Human", "politician", 0.6,
  "Naboo", "Human", "guard", 0.4
) %>%
  # 按分组计算累积概率
  group_by(homeworld, species) %>%
  mutate(cum_prob = cumsum(probability)) %>%
  ungroup()

2. 关联并分配职业

生成随机数后，通过left_join关联配置表，再筛选出每个个体对应的职业：

starwars_with_occupation <- starwars %>%
  # 批量生成随机数（向量化操作，比rowwise高效）
  mutate(random_draw = runif(n())) %>%
  # 按分组键关联配置表
  left_join(occupations, by = c("homeworld", "species")) %>%
  # 按每个个体分组，筛选匹配的职业
  group_by(name, random_draw) %>%
  # 找到第一个满足随机数<=累积概率的职业（对应概率区间）
  filter(random_draw <= cum_prob) %>%
  slice_min(order_by = cum_prob) %>%
  ungroup() %>%
  # 移除中间计算列
  select(-probability, -cum_prob)

方案优势 #

• 配置与逻辑分离：新增/修改分组概率只需调整occupations表，无需修改主逻辑代码
• 代码简洁性：避免大量重复的case_when条件判断
• 性能更优：采用向量化操作替代逐行计算，处理大数据集时效率更高
• 扩展性强：支持快速添加任意homeworld+species组合的职业配置

内容的提问来源于stack exchange，提问作者David Robie