如何在R中按组计算分离重复值的累积分布（替代cume_dist）

原始数据集 #

dat <- data.frame(YEAR = c(rep(1999,4),rep(2002,3)), VALUE = c(1,2,3,2,1,2,3))

需求说明 #

需要按YEAR分组后，为VALUE新增一列标记组内位置：功能类似dplyr的cume_dist()，但要分离重复值。例如对序列1,2,2,3，cume_dist()返回0.25,0.75,0.75,1.00，我们需要的结果是0.25,0.50,0.75,1.00。

已尝试的代码 #

• 使用cume_dist()无法区分重复值：

dat %>% group_by(YEAR) %>% mutate(cumdist = cume_dist(VALUE))

• 使用row_number(VALUE)能得到正确的排名分子（每组内的位次，重复值也会按出现顺序分配不同排名）：

dat %>% group_by(YEAR) %>% mutate(rownumber = row_number(VALUE))

解决方案 #

核心是用dplyr的n()函数获取当前组的行数，再将row_number(VALUE)的结果除以n()即可：

library(dplyr)

dat %>%
  group_by(YEAR) %>%
  mutate(cumdist_custom = row_number(VALUE) / n()) %>%
  ungroup() # 可选，处理完后取消分组状态

结果验证 #

运行后得到的cumdist_custom列完全符合需求：

• 1999组（4条数据）：0.25, 0.5, 0.75, 1
• 2002组（3条数据）：0.3333333, 0.6666667, 1

内容的提问来源于stack exchange，提问作者chill