使用tidyverse对含缺失值的列批量计算加权均值

需求说明 #

现有数据集foo，每行包含样本量n及变量x1、x2、x3。需要为每个变量计算加权均值，权重为n/sum(n)，且计算时要排除对应变量为NA的n值，要求批量完成而非逐个手动计算。

数据集定义：

foo <- data.frame(n = c(99,12,53,12,19,21),
                  x1 = c(5,2,6,NA,13,78),
                  x2 = c(15,NA,60,NA,3,7),
                  x3 = c(2,7,4,9,4,2))

解决方案 #

可以利用dplyr的across（替代旧版的summarise_at）批量处理，逻辑和手动计算完全一致且更高效。

方法1：自定义函数+across #

先定义一个自动过滤NA值的加权均值函数，再批量作用于目标变量：

library(dplyr)

# 自定义函数：自动排除对应变量为NA的样本量，计算加权均值
weighted_mean_na_filter <- function(x, n) {
  valid_rows <- !is.na(x)
  sum(x[valid_rows] * n[valid_rows]) / sum(n[valid_rows])
}

# 批量计算所有x开头变量的加权均值
foo %>%
  summarise(across(starts_with("x"), ~weighted_mean_na_filter(.x, n)))

运行输出结果：

x1       x2       x3
1 16.664286 22.76923 4.072727

方法2：直接在across中编写逻辑（无需自定义函数） #

如果不想单独定义函数，可将逻辑直接写入匿名函数：

foo %>%
  summarise(across(starts_with("x"), ~{
    valid_n <- n[!is.na(.x)]
    sum(.x[!is.na(.x)] * valid_n) / sum(valid_n)
  }))

结果验证 #

对比手动计算结果：

• x1手动计算值为16.664286，与批量计算一致
• x2手动计算值为22.76923，与批量计算一致

补充说明 #

• 核心逻辑：仅使用对应变量非NA的n计算权重总和，完全匹配你手动drop_na后计算的逻辑
• starts_with("x")会自动匹配所有以x开头的变量，后续新增x4、x5等变量时，代码无需修改即可自动处理

内容的提问来源于stack exchange，提问作者user111024