计算数据框各列字符值占比：测试数据集代码报错的解决需求

问题背景 #

给定测试数据框：

df <- data.frame(
     w1 = c("A","A","B","C","A"),
     w2 = c("C","A","A","C","C"),
     w3 = c("C","A","B","C","B")
   ) 

需要计算每列中各字符值的列内占比，但使用以下代码在测试数据集报错（该代码在包含所有字符类别的大数据集中可正常运行）：

df %>%
  summarise(across(everything(), ~prop.table(table(.))*100))

期望得到包含字符值标识列、缺失类别占比补0的结果，格式如下：

字符值 w1 w2 w3
1     A 60 40 20
2     B 20  0 40
3     C 20 60 40

报错原因 #

测试数据集的部分列缺失部分字符类别（比如w2列没有B），prop.table(table(.))仅统计当前列存在的类别，导致各列返回的结果长度不一致，summarise无法将这些长度不同的结果组合成数据框，因此触发报错。而大数据集可能每列都包含所有字符类别，所以不会出现此问题。

解决方案 #

方法1：统一全局类别后计算占比 #

先提取所有列的唯一字符值作为全局类别，再对每列按该类别统计频数并计算占比：

library(dplyr)
library(tidyr)

# 获取所有列的唯一字符值，作为统一统计的类别
all_levels <- unique(unlist(df))

df %>%
  summarise(across(everything(), ~{
    # 将当前列转为因子，指定全局类别，缺失类别自动补0
    tab <- table(factor(., levels = all_levels))
    prop.table(tab) * 100
  })) %>%
  # 转置结果并整理格式
  t() %>%
  as.data.frame() %>%
  rownames_to_column(var = "字符值") %>%
  rename_with(~colnames(df), -1) %>%
  arrange(字符值)

方法2：通过数据重塑计算占比 #

先将数据转为长格式，统计各列各字符的频数，计算占比后再转回宽格式：

library(dplyr)
library(tidyr)

df %>%
  # 转为长格式：列名、字符值
  pivot_longer(everything(), names_to = "列名", values_to = "字符值") %>%
  # 统计每列每个字符的出现次数
  count(列名, 字符值) %>%
  # 按列分组计算占比
  group_by(列名) %>%
  mutate(占比 = n / sum(n) * 100) %>%
  select(-n) %>%
  # 转回宽格式，缺失类别补0
  pivot_wider(names_from = 列名, values_from = 占比, values_fill = 0) %>%
  arrange(字符值)

两种方法均能生成符合要求的结果，自动为缺失类别的列填充0。

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