如何按多条件分组DataFrame，统计大于组均值的数值数量？

需求：在大型DataFrame中完成以下操作：

• 按stage和sex多条件分组
• 计算每组中各变量（如cort、granu）的均值
• 统计每组内大于对应组均值的数值出现次数

当前实现方式存在冗余：先用aggregate计算组均值，再通过dplyr手动筛选每个分组、判断数值是否大于均值并统计，需要重复编写大量代码，效率低下。

示例DataFrame：

stage   sex cort    granu   
a   m   0.53    50
a   m   0.65    93
a   f   3.18    49
a   m   1.51    45
a   m   0.28    57
a   f   0.50    36
a   f   1.20    21
a   f   2.36    58
b   m   0.27    74
b   m   0.16    36
b   f   0.42    27
b   m   0.88    65
b   f   2.19    85
b   m   0.24    74
b   f   0.89    52
b   m   0.34    98
b   f   2.59    52
b   f   0.74    63
c   m   6.36    54
c   f   2.07    24
c   m   1.46    12
c   m   2.07    36
c   f   1.46    75
c   m   2.19    96
c   f   6.36    21
c   f   2.19    85

当前冗余代码片段：

mean_c<- aggregate(x= data$cort,
                   by = list(data$sex,data$stage),      
                   FUN = mean)

cah<-dplyr::filter(data,stage=="a" & sex=="h")
cah<-dplyr::select(cah, c(cort))
countah<-corta>1.81 #mean for the group (a,h)

cam<-dplyr::filter(data,stage=="a" & sex=="m")
cam<-dplyr::select(cam, c(cort))
countam<-corta>0.74 #mean for the group (a,m)

sum(countah)

方法1：使用dplyr链式操作（推荐，代码简洁易读） #

利用dplyr的分组后计算均值，再直接在分组内统计大于均值的次数，无需手动拆分每个分组：

library(dplyr)

result <- data %>%
  group_by(stage, sex) %>%
  mutate(
    # 计算每组各变量的均值
    cort_mean = mean(cort, na.rm = TRUE),
    granu_mean = mean(granu, na.rm = TRUE),
    # 判断当前值是否大于组均值
    cort_above_mean = cort > cort_mean,
    granu_above_mean = granu > granu_mean
  ) %>%
  # 分组统计大于均值的次数
  summarise(
    cort_count_above = sum(cort_above_mean, na.rm = TRUE),
    granu_count_above = sum(granu_above_mean, na.rm = TRUE),
    # 保留组均值方便查看
    cort_mean = first(cort_mean),
    granu_mean = first(granu_mean)
  ) %>%
  ungroup()

print(result)

说明： #

• group_by(stage, sex)：按指定字段分组
• mutate：在原数据中新增列，计算组均值和判断逻辑
• summarise：分组汇总统计次数，同时保留组均值
• na.rm = TRUE：处理可能存在的缺失值，避免计算出错

方法2：使用data.table（适合超大型数据集，速度更快） #

如果你的DataFrame数据量极大，data.table的运算效率会优于dplyr：

library(data.table)

setDT(data) # 将普通DataFrame转为data.table格式

result <- data[, 
  .(
    cort_mean = mean(cort, na.rm = TRUE),
    granu_mean = mean(granu, na.rm = TRUE),
    cort_count_above = sum(cort > mean(cort, na.rm = TRUE), na.rm = TRUE),
    granu_count_above = sum(granu > mean(granu, na.rm = TRUE), na.rm = TRUE)
  ), 
  by = .(stage, sex)
]

print(result)

说明： #

• by = .(stage, sex)：指定分组字段
• 直接在分组计算中同时完成均值计算和次数统计，无需中间变量
• data.table的语法更紧凑，内存占用更低，适合处理百万级以上数据

这两种方法都能一次性完成所有分组的计算，无需手动重复编写每个分组的筛选和判断代码，大幅提升效率和代码可维护性。

内容的提问来源于stack exchange，提问作者user228095