生成新的唯一 ID 号，同时排除之前在 R 中生成的 ID 号

Question

我想为数据库中的行生成唯一 ID。我将持续向该数据库添加条目，因此我需要同时生成新的 ID。虽然我的数据库相对较小并且复制随机 ID 的机会很小，但我仍然想构建一个程序化的故障安全机制以确保我永远不会生成过去已经使用过的 ID。

对于初学者，这里有一些我可以用来启动示例数据库的示例数据：

library(tidyverse)
library(ids)
library(babynames)
    
database <- data.frame(rid = random_id(5, 5), first_name = sample(babynames$name, 5))

print(database)
          rid first_name
1  07282b1da2      Sarit
2  3c2afbb0c3        Aly
3  f1414cd5bf    Maedean
4  9a311a145e    Teriana
5  688557399a    Dreyton

下面是一些示例数据，我可以用它们来表示将附加到现有数据库的新数据：

new_data <- sample(babynames$name, 5)

print(new_data)

 first_name
1    Hamzeh
2   Mahmoud
3   Matelyn
4    Camila
5     Renae

现在，我想要的是使用 random_id 函数绑定随机生成的 ID 的新列，同时检查以确保新生成的 ID 与 [=14= 中的任何现有 ID 不匹配] 目的。如果生成器创建了一个相同的 ID，那么理想情况下它会生成一个新的替换 ID，直到创建一个真正唯一的 ID。

如有任何帮助，我们将不胜感激！

更新

我想到了一个有帮助但仍然有限的可能性。我可以生成新的 ID，然后使用 for() 循环来测试现有数据库中是否存在任何新生成的 ID。如果是这样，那么我将重新生成一个新 ID。例如...

new_data$rid <- random_id(nrow(new_data), 5)

for(i in 1:nrow(new_data)){
  if(new_data$rid[i] %in% unique(database$rid)){
    new_data$rid[id] = random_id(1, 5)
  }
}

这种方法的问题是我需要构建无穷无尽的嵌套 if 语句流，以再次针对原始数据库不断测试新生成的值。我需要一个过程来继续测试，直到生成一个在原始数据库中找不到的真正唯一的值。

Answer 1

使用 ids::uuid() 可能会避免检查重复的 id 值。事实上，如果您要生成 10 万亿个 uuid，那么每个 What is a UUID?

两个 uuid 相同的概率为 .00000006

这是一个基本函数，可以快速检查重复值而无需进行任何迭代：

anyDuplicated(1:4)
[1] 0

anyDuplicated(c(1:4,1))
[1] 5

上面的第一个结果显示没有重复值。第二个显示元素 5 是重复的，因为 1 使用了两次。下面是如何在不迭代的情况下进行检查，new_data 复制了 database$rid，所以所有五个都是重复的。这将重复直到所有 rid 都是唯一的，但请注意，它假定所有现有的 database$rid 都是唯一的。

library(ids)
set.seed(7)
new_data$rid <- database$rid
repeat {
  duplicates <- anyDuplicated(c(database$rid, new_data$rid))
  if (duplicates == 0L) {
    break
  }
  new_data$rid[duplicates - nrow(database)] <- random_id(1, 5)
}

所有 new_data$rid 已替换为唯一值。

rbind(database, new_data)

          rid first_name
1  07282b1da2      Sarit
2  3c2afbb0c3        Aly
3  f1414cd5bf    Maedean
4  9a311a145e    Teriana
5  688557399a    Dreyton
6  52f494c714     Hamzeh
7  ac4f522860    Mahmoud
8  ffe74d535b    Matelyn
9  e3dccc4a8e     Camila
10 e0839a0d34      Renae

Answer 2

这个答案的灵感来自@manotheshark 的答案，有 2 个主要变化：

这是一个函数。
我更改了替换重复项的机制。不像@manotheshark 那样在每次迭代中循环和替换一个副本，在这里我将它们替换成更大的块。

library(ids)

generate_random_unique_ids <- function(n) {
  vec_ids <- ids::random_id(n = n, bytes = 4, use_openssl = FALSE)
  repeat {
    duplicates <- duplicated(vec_ids)
    if (!any(duplicates)) {
      break
    }
    vec_ids[duplicates] <- ids::random_id(n = sum(duplicates), bytes = 4, use_openssl = FALSE)
  }
  vec_ids
}

一些时间例如

library(tictoc)

tic()
v_1e6 <- generate_random_unique_ids(1e6)
toc()
#> 7.14 sec elapsed

tic()
v_3e7 <- generate_random_unique_ids(3e7)
toc()
#> 296.42 sec elapsed

很想了解是否有优化此功能以获得更快执行时间的方法。

生成新的唯一 ID 号，同时排除之前在 R 中生成的 ID 号

Generate new unique ID numbers while excluding previously generated ID numbers in R

r

dplyr

uniqueidentifier

unique-key

ids