如何用dplyr按组计算含80分位数以上小时数求和的汇总统计？

数据框结构示例 #

df <- data.frame(FY = c(2018, 2018, 2019, 2019, 2020, 2020), 
                 WorkArea = c("03218", "03219", "07589", "07589", "01125", "01126"), 
                 ProjectCode = c(12, 12, 13, 11, 12, 12), 
                 TotalHours = c(180, 250, 125, 300, 450, 750))

需要生成的统计量 #

按FY/WorkArea/ProjectCode分组后，需计算：

• 操作次数
• 总小时数
• 平均小时数
• 中位数小时数
• 小时数第一四分位数
• 小时数第三四分位数
• 小时数大于80分位数的操作次数
• 小时数大于80分位数的总小时数

已完成的代码 #

df_table <- df %>% group_by(FY, WorkArea, ProjectCode) %>%
  summarise(opCount = n(),
            Hours = sum(TotalHours),
            AvgHours = Hours/opCount,
            medHours = median(TotalHours),
            Bottom25 = quantile(TotalHours, 0.25),
            Top25 = quantile(TotalHours, 0.75),
            OutlierCount = sum(TotalHours > quantile(TotalHours, 0.8))
            )

条件求和的实现方法 #

要计算小时数大于80分位数的总小时数，可以沿用计算OutlierCount的逻辑，通过提取分组内符合条件的TotalHours值再求和即可。

有两种简洁写法可选：

1. 使用下标筛选符合条件的元素后求和

OutlierHours = sum(TotalHours[TotalHours > quantile(TotalHours, 0.8)])

2. 使用ifelse做条件判断后求和

OutlierHours = sum(ifelse(TotalHours > quantile(TotalHours, 0.8), TotalHours, 0))

完整代码 #

df_table <- df %>% group_by(FY, WorkArea, ProjectCode) %>%
  summarise(opCount = n(),
            Hours = sum(TotalHours),
            AvgHours = Hours/opCount,
            medHours = median(TotalHours),
            Bottom25 = quantile(TotalHours, 0.25),
            Top25 = quantile(TotalHours, 0.75),
            OutlierCount = sum(TotalHours > quantile(TotalHours, 0.8)),
            OutlierHours = sum(TotalHours[TotalHours > quantile(TotalHours, 0.8)])
            )

注：如果分组内数据量极小（如仅1行），quantile(TotalHours, 0.8)会等于该行的TotalHours，此时OutlierCount和OutlierHours都会为0，符合统计逻辑。

内容的提问来源于stack exchange，提问作者jerH