基于多分组计算离职占比：R语言DataFrame高效处理方法

首先还原你的示例数据：

gender <- c("Man","Man","Woman","Woman")
answer <- c("staying","leaving","staying","leaving")
count <- c(172,25,258,52)
df <- data.frame(gender,answer,count)

针对按gender分组计算leaving占比，并将该占比同步到组内所有行的需求，以下是两种适合大数据集的高效处理方案：

方法1：用dplyr（语法直观，中等至大数据集友好） #

dplyr的分组操作经过底层优化，兼顾效率和可读性：

library(dplyr)

df_result <- df %>%
  group_by(gender) %>%
  mutate(
    # 计算组内总人数和leaving人数
    total = sum(count),
    leaving_num = sum(count[answer == "leaving"]),
    # 计算占比并保留两位小数
    percentage_of_leaving = round(leaving_num / total * 100, 2)
  ) %>%
  # 移除不需要的中间变量
  select(-total, -leaving_num)

print(df_result)

运行后会得到你期望的结果：每行都对应所在gender的leaving占比。

方法2：用data.table（极致高效，超大数据集首选） #

如果你的数据集达到百万甚至千万级，data.table的速度和内存效率会更突出：

library(data.table)

# 先把普通data.frame转为data.table格式
setDT(df)

# 分组计算并生成结果
df_result <- df[, 
                .(answer, count,
                  percentage_of_leaving = round(sum(count[answer == "leaving"]) / sum(count) * 100, 2)),
                by = gender]

# 若需要转回data.frame格式，执行：
# df_result <- as.data.frame(df_result)

print(df_result)

核心优势 #

两种方法都采用向量化分组计算，完全避免了低效的逐行循环，能大幅提升大数据集的处理速度。其中：

• dplyr胜在代码易读、易维护，适合日常分析场景；
• data.table在超大规模数据下的性能碾压其他工具，适合数据工程类任务。

内容的提问来源于stack exchange，提问作者Bruh