dplyr按分组多阈值筛选行：按区域选取前20%药房的问题

你遇到的核心问题是：在分组筛选时，没有将区域对应的阈值和当前分组匹配，导致所有区域都使用了第一个区域的阈值（248）。下面提供两种可行的解决方法：

方法一：手动匹配区域阈值（兼容旧版dplyr） #

先给每个区域内的药房按销量排序并添加组内行号，再和阈值表关联后筛选：

# 确保ranked_pharmas已按区域分组、销量降序排序（未排序的话执行这步）
ranked_pharmas <- ranked_pharmas %>%
  group_by(province) %>%
  arrange(desc(total_units), .by_group = TRUE) %>%
  mutate(province_rank = row_number())

# 关联阈值表并筛选前20%药房
top_20_pharma <- ranked_pharmas %>%
  left_join(spad_number_20_threshold, by = "province") %>%
  filter(province_rank <= Top_20_threshold) %>%
  # 按需移除辅助列
  select(-province_rank, -Top_20_threshold)

方法二：用slice_head直接按比例筛选（dplyr 1.0.0+推荐） #

如果你的dplyr版本在1.0.0及以上，slice_head支持按比例取分组内的头部数据，无需手动计算阈值，更简洁：

top_20_pharma <- ranked_pharmas %>%
  group_by(province) %>%
  arrange(desc(total_units), .by_group = TRUE) %>%
  slice_head(prop = 0.2)

为什么之前的代码失效？ #

• slice(1:spad_number_20_threshold$Top_20_threshold)中，spad_number_20_threshold$Top_20_threshold是全局向量，分组操作不会自动匹配当前区域的对应值，只会取第一个元素。
• filter(row_number(...) <= first(...))里的first()是取整个阈值向量的第一个值，而非当前分组对应的阈值。

内容的提问来源于stack exchange，提问作者Olaf Odinn