在R中构建循环计算排名分组条件均值的问题及引号疑问

问题背景 #

我有一个含约18000条观测的优先级排名数据集，需要按每100个排名分组（前100名、100-200名、200-300名等），计算red变量（取值1/0，表示是否喜欢红色）的条件均值。

尝试的循环代码（结果异常） #

lb <- seq(0, 18000, by = 100)
ub <- lb + 100

redgivenrank <- numeric(length(lb))

for (i in 1:181) {
  lb1 <- lb[i]
  ub2 <- ub[i]
  subset_datans <- subset(datans, datans$rank >= lb1 & datans$rank <= ub2)
  redgivenrank[i] <- mean(subset_datans$red, na.rm = TRUE)
}

这段代码结果与手动计算差异极大，且几轮后出现NA值。

手动计算代码（结果有效） #

mean(datans$red[datans$rank <= '100'])
mean(datans$red[datans$rank >= '100' & datans$rank <= '200'])
mean(datans$red[datans$rank >= '200' & datans$rank <= '300'])
mean(datans$red[datans$rank >= '300' & datans$rank <= '400'])
mean(datans$red[datans$rank >= '400' & datans$rank <= '500'])

核心差异：引号的影响 #

你的rank变量是字符类型，而非数值类型，这是问题的关键：

• 循环代码中用数值（如100）和字符型的rank比较时，R会自动把数值转成字符，然后按字典序排序。比如字符"1000"会被认为比"200"小（因为字典序里"1"在"2"前面），这会导致你的分组范围完全错误，很多组里没有符合条件的观测，自然会算出NA。
• 手动代码里用带引号的字符（如'100'）和rank比较，是严格按字符匹配的字典序来筛选，这正好匹配你rank变量的类型，所以能得到正确结果。

哪种写法符合需求？ #

手动带引号的写法是当前符合需求的，但更稳妥的方案是先把rank转为数值型，这样后续的数值比较逻辑更直观，也能避免字符排序的坑：

修正方案1：转换rank为数值后用循环 #

# 先将rank转为数值型（确保rank字符都是可转换的数字）
datans$rank <- as.numeric(datans$rank)

lb <- seq(0, 18000, by = 100)
ub <- lb + 100

redgivenrank <- numeric(length(lb))

for (i in seq_along(lb)) {
  # 直接用数值比较，逻辑更清晰
  subset_datans <- subset(datans, rank >= lb[i] & rank <= ub[i])
  redgivenrank[i] <- mean(subset_datans$red, na.rm = TRUE)
}

修正方案2：用dplyr高效分组（推荐） #

如果习惯用tidyverse工具，分组计算会更简洁且不易出错：

library(dplyr)

datans %>%
  # 先转换rank为数值型
  mutate(rank = as.numeric(rank)) %>%
  # 按每100个排名切分组
  mutate(rank_group = cut(rank, breaks = seq(0, 18000, by = 100), include.lowest = TRUE)) %>%
  # 分组计算均值
  group_by(rank_group) %>%
  summarise(red_mean = mean(red, na.rm = TRUE))

内容的提问来源于stack exchange，提问作者Questionasker