按AT07分组计算各DT01列值为1的占比（R语言优化求助）

我有一个包含ID、AT07以及DT01_1至DT01_19列的数据集，需要按AT07（取值为AT07_1至AT07_11）分组，统计每个DT01列中值为1的占比。之前用dplyr重复写mutate语句实现，效率极低，求高效方案。

附样本数据集：

ID   AT07 DT01_1 DT01_2 DT01_3 DT01_4 DT01_5 DT01_6 DT01_7 DT01_8 DT01_9 DT01_10 DT01_11 DT01_12 DT01_12.1
1 vD0FPVt AT07_1      1      1      1      1      1      1      1      1      1       1       1       0         0
2 UwwHYWL AT07_1      0      0      0      0      1      0      0      0      0       0       0       0         0
3 Lw7HM6J AT07_1      0      0      0      0      0      0      1      1      0       1       0       0         0
4 Llpww1k AT07_1      0      0      0      0      0      0      0      0      0       1       0       0         0
5 OwXwA9j AT07_1      0      0      0      0      0      0      1      0      0       1       1       0         0

之前的低效代码：

library(dplyr)
resLong <- resLong %>%
   group_by(AT07) %>%
   mutate(DT01_1_percent1 = label_percent()(sum(DT01_1 == 1)/n())) %>%
   mutate(DT01_2_percent1 = label_percent()(sum(DT01_2 == 1)/n())) %>%
   mutate(DT01_3_percent1 = label_percent()(sum(DT01_3 == 1)/n())) %>%
   mutate(DT01_4_percent1 = label_percent()(sum(DT01_4 == 1)/n())) %>%
   mutate(DT01_5_percent1 = label_percent()(sum(DT01_5 == 1)/n())) %>%
   mutate(DT01_6_percent1 = label_percent()(sum(DT01_6 == 1)/n())) %>%
   mutate(DT01_7_percent1 = label_percent()(sum(DT01_7 == 1)/n())) %>%
   mutate(DT01_8_percent1 = label_percent()(sum(DT01_8 == 1)/n())) %>%
   mutate(DT01_9_percent1 = label_percent()(sum(DT01_9 == 1)/n())) %>%
   mutate(DT01_10_percent1 = label_percent()(sum(DT01_10 == 1)/n())) %>%
   mutate(DT01_11_percent1 = label_percent()(sum(DT01_11 == 1)/n())) %>%
   mutate(DT01_12_percent1 = label_percent()(sum(DT01_12 == 1)/n())) %>%
   mutate(DT01_13_percent1 = label_percent()(sum(DT01_13 == 1)/n())) %>%
   mutate(DT01_14_percent1 = label_percent()(sum(DT01_14 == 1)/n())) %>%
   mutate(DT01_15_percent1 = label_percent()(sum(DT01_15 == 1)/n())) %>%
   mutate(DT01_16_percent1 = label_percent()(sum(DT01_16 == 1)/n())) %>% 
   mutate(DT01_17_percent1 = label_percent()(sum(DT01_17 == 1)/n())) %>%
   mutate(DT01_18_percent1 = label_percent()(sum(DT01_18 == 1)/n())) %>%
   mutate(DT01_19_percent1 = label_percent()(sum(DT01_19 == 1)/n()))
 
  
resLong <- resLong[,-c(1:21)]

library(dplyr)
resLong <- distinct(resLong)

方法1：用dplyr的across函数（最简洁的tidyverse方式） #

利用across批量处理所有DT01列，避免重复写mutate，一次完成分组计算：

library(dplyr)
library(scales) # 需加载scales包使用label_percent

res_summary <- resLong %>%
  group_by(AT07) %>%
  summarise(
    across(starts_with("DT01_"), 
           ~ label_percent()(sum(.x == 1)/n()),
           .names = "{col}_percent1")
  )

说明： #

• starts_with("DT01_")自动匹配所有DT01开头的列，覆盖DT01_1到DT01_19
• .names = "{col}_percent1"自动生成和你之前手动命名一致的新列名
• summarise直接输出每个分组的统计结果，不需要后续删列、去重，一步到位

方法2：转长格式处理（适配tidy数据原则，方便后续扩展） #

如果之后还要对统计结果做可视化或进一步分析，转长格式会更灵活：

library(tidyr)
library(dplyr)
library(scales)

res_long_summary <- resLong %>%
  select(AT07, starts_with("DT01_")) %>% # 只保留需要的列
  pivot_longer(cols = starts_with("DT01_"), 
               names_to = "DT01_col", 
               values_to = "value") %>%
  group_by(AT07, DT01_col) %>%
  summarise(percent1 = label_percent()(sum(value == 1)/n()), .groups = "drop") %>%
  pivot_wider(names_from = DT01_col, values_from = percent1, names_glue = "{DT01_col}_percent1")

说明： #

• 先转长格式统一计算占比，再转回宽格式匹配原需求的输出结构
• 这种方式符合tidy数据规范，后续修改统计逻辑只需改一次代码

方法3：用data.table（大数据集下效率拉满） #

如果你的数据集量级很大，data.table的运算速度和内存使用会比dplyr更有优势：

library(data.table)
library(scales)

setDT(resLong) # 把数据框转成data.table格式

res_dt_summary <- resLong[, 
  lapply(.SD, function(x) label_percent()(sum(x == 1)/.N)),
  by = AT07,
  .SDcols = patterns("^DT01_")
]

# 给列名加上_percent1后缀
setnames(res_dt_summary, 
         old = patterns("^DT01_"), 
         new = paste0(names(res_dt_summary)[-1], "_percent1"))

说明： #

• .SDcols = patterns("^DT01_")指定要处理的目标列
• .N是data.table中表示分组行数的变量，对应dplyr里的n()

内容的提问来源于stack exchange，提问作者Nadine M.