如何用dplyr创建年龄分组并按组计算死亡率？

原代码的核心问题 #

• 分组区间逻辑错误：原breaks设置遗漏了4-14岁区间，导致该年龄段数据被标记为NA；同时分界点未覆盖所有高龄数据，59岁以上的部分样本可能无法被正确分组。
• 分组维度冗余：group_by中包含idade字段，会让每个单独年龄成为独立分组，彻底偏离“按年龄组统计”的目标。
• 代码风格冗余：单独创建分组变量再传入mutate，不符合dplyr管道化的最佳实践。

修正后的代码 #

方案1：保留所有年龄区间（含5-14岁） #

如果需要处理所有年龄样本，可补充中间分组：

df_mortalidade <- painel_mortalidade %>% 
  # 直接在管道内创建年龄分组，调整分界点确保区间准确
  mutate(faixas_etarias = cut(idade, 
                              breaks = c(0, 1, 5, 15, 30, 60, Inf), 
                              labels = c("1岁以下", "1-4岁", "5-14岁", "15-29岁", "30-59岁", "59岁以上"),
                              include.lowest = TRUE)) %>% 
  # 过滤有效覆盖率数据，同时排除未匹配分组的样本
  filter(perc_cobert_sf > 0, !is.na(faixas_etarias)) %>% 
  # 仅按年龄组、年份分组，移除单独年龄字段
  group_by(faixas_etarias, ano) %>% 
  # 统计死亡率均值，自动忽略NA值
  summarise(tx_mortalidade_idade = mean(tx_mortalidade, na.rm = TRUE),
            .groups = "drop")

方案2：仅保留目标分组（忽略4-14岁） #

如果确认数据源中无4-14岁样本，或直接过滤该区间：

df_mortalidade <- painel_mortalidade %>% 
  mutate(faixas_etarias = cut(idade, 
                              breaks = c(0, 1, 15, 30, 60, Inf), 
                              labels = c("1岁以下", "1-4岁", "15-29岁", "30-59岁", "59岁以上"),
                              include.lowest = TRUE)) %>% 
  filter(perc_cobert_sf > 0, !is.na(faixas_etarias)) %>% 
  group_by(faixas_etarias, ano) %>% 
  summarise(tx_mortalidade_idade = mean(tx_mortalidade, na.rm = TRUE),
            .groups = "drop")

关键调整说明 #

• 分界点优化：用5替代原4确保1-4岁区间包含4岁；添加Inf覆盖所有高龄样本，避免遗漏。
• 分组维度精简：移除idade字段，仅保留年龄组和年份作为分组依据，实现按组统计的目标。
• NA值处理：mean中加入na.rm = TRUE避免死亡率字段的NA值干扰统计结果；.groups = "drop"自动取消分组，避免后续操作冲突。

内容的提问来源于stack exchange，提问作者Alex Gois