如何高效统计年份、种族、族裔多维度数据的频数？

问题背景 #

我有一个敏感数据集，因此制作了以下模拟数据集用于展示：

df <- data.frame(
  Year = c("2010", "2010", "2010", "2011", "2011", "2012", "2013", "2013", "2013"),
  Race = c("White", "White", "Asian", "White", "Black", "Black", "Unknown", "Unknown", "White"),
  Ethnicity = c("Hispanic", "Hispanic", "Not Hispanic", "Hispanic", "Not Hispanic", "Not Hispanic", "Unknown", "Hispanic", "Not Hispanic")
)

实际数据集覆盖2010-2021年共12个年份，包含约6-7个种族类别，以及3种族裔选项（Hispanic/Latino、Not Hispanic/Latino、Unknown）。

我需要统计每一组年份、种族、族裔组合的频数，但目前用自定义函数逐个调用的方式需要写200+行代码，效率极低，尝试for循环也没成功，希望得到高效实现方法。

原自定义函数（存在语法错误）：

raceethfunc <- function(x,y,z){
df %>% filter(Race == x & Ethnicity == y and Year = z) %>%
nrow()
}

H_white2010 <- raceethfunc(x = "White", y = "Hispanic or Latino", z = "2010")
H_white2011 <- raceethfunc(x = "White", y = "Hispanic or Latino", z = "2011")
H_white2012 <- raceethfunc(x = "White", y = "Hispanic or Latino", z = "2012")

高效解决方案 #

不需要手动编写每一组的统计代码，以下两种方法可以一次性生成所有组合的频数：

方法1：使用dplyr的count()函数（推荐，代码简洁） #

dplyr包的count()函数可以直接按指定列分组并统计频数，自动包含所有非零频数的组合；如果需要补全所有可能的组合（包括频数为0的），可以搭配tidyr::complete()：

library(dplyr)
library(tidyr)

# 统计所有非零频数的组合
freq_table <- df %>%
  count(Year, Race, Ethnicity, name = "Frequency")

# 补全所有可能的组合（频数为0的也显示）
freq_table_full <- df %>%
  count(Year, Race, Ethnicity, name = "Frequency") %>%
  complete(Year, Race, Ethnicity, fill = list(Frequency = 0))

方法2：使用基础R的table()函数 #

基础R的table()函数可以快速生成多维交叉频数表，结果可转为数据框格式方便阅读：

# 生成频数表（多维数组格式）
freq_table <- table(df$Year, df$Race, df$Ethnicity)

# 转为数据框格式
freq_df <- as.data.frame(freq_table, responseName = "Frequency")

原函数的语法错误修正（供参考） #

如果一定要保留自定义函数，需修正两处基础语法错误：

• R中逻辑与运算符是&，不是and
• 相等判断用==，赋值才用=
  修正后的函数：

raceethfunc <- function(x,y,z){
  df %>% filter(Race == x & Ethnicity == y & Year == z) %>% nrow()
}

但依然不推荐这种手动调用的方式，效率过低。

新手提示 #

• 优先使用dplyr的分组统计方法，代码直观，后续排序、筛选等二次处理更便捷
• 若需要处理缺失类别或补全所有组合，tidyr::complete()是实用工具

内容的提问来源于stack exchange，提问作者shollaback