如何修复R代码以生成变量各水平的计数与占比表格

构建的数据集：

my_data <- data.frame(
  learner_code = 1:8,
  lsk = c(0, 10, 20, 30, 50, 15, 25, 40)
)

需求：基于学习者得分对lsk变量创建分类，生成各分类的学习者计数与占比表格。

当前使用代码：

lsk_cat1 <- my_data %>%
  mutate(lsk = case_when (lsk == 0 ~ "0",
                      lsk >0 & lsk < 20 ~ "1-19",
                      lsk > 19 & lsk < 40 ~ "20-39",
                      lsk>= 40 ~ "40+" )) %>%
  group_by(lsk) %>% summarise(n = length(lsk),
                          proportion = round(length(lsk)/8*100, 1))

异常输出：

n proportion
8        100

预期输出：

lsk     n proportion
1 0         1      12.5
2 1-19      3      37.5
3 20-39     3      37.5
4 40+       1      12.5

该代码在其他数据集可正常运行，当前出现异常，需修复。

问题根源 #

在mutate中直接将数值型的lsk覆盖为字符型，部分旧版dplyr环境下group_by无法正确识别新生成的字符分组变量，导致所有数据被归为同一组统计。另外硬编码总样本量8的写法不够灵活，后续样本量变化时会出错。

修复后的代码 #

library(dplyr)

my_data <- data.frame(
  learner_code = 1:8,
  lsk = c(0, 10, 20, 30, 50, 15, 25, 40)
)

lsk_cat1 <- my_data %>%
  # 新增分类列，不覆盖原变量
  mutate(lsk_category = case_when(
    lsk == 0 ~ "0",
    lsk > 0 & lsk < 20 ~ "1-19",
    lsk > 19 & lsk < 40 ~ "20-39",
    lsk >= 40 ~ "40+"
  )) %>%
  # 基于新分类列分组
  group_by(lsk_category) %>%
  summarise(
    n = n(),  # 用n()统计每组数量，更符合dplyr语法
    proportion = round(n() / nrow(my_data) * 100, 1)
  ) %>%
  # 重命名列匹配预期输出
  rename(lsk = lsk_category)

print(lsk_cat1)

输出结果 #

# A tibble: 4 × 3
  lsk     n proportion
  <chr> <int>      <dbl>
1 0         1       12.5
2 1-19      3       37.5
3 20-39     3       37.5
4 40+       1       12.5

优化说明 #

• 不覆盖原lsk变量，新增分类列避免类型转换导致的分组识别问题；
• 用n()替代length(lsk)，更贴合dplyr的使用习惯；
• 用nrow(my_data)替代硬编码的8，提升代码复用性；
• 通过rename()统一列名，匹配预期输出格式。

内容的提问来源于stack exchange，提问作者Paige Cox