如何用一段R代码计算多条件下的汇总统计量？

问题描述 #

现有如下数据框：

df <- data.frame(yr = c("2008", "2008", "2008", "2008", "2008", "2009", "2009"),
                 FM = c(1, 1, 1, 1, 0, 1, 0),
                 t1 = c(0, 1, 0, 1, 0, 1, 0),
                 t2 = c(0, 0, 1, 1, 0, 0, 1))

需要一次性获取三类汇总统计量：

• 按年份统计FM=1和FM=0的个体数量及占比
• 在FM=1的条件下，统计t1=1和t1=0的个体数量及占比
• 在FM=1且t1=1的条件下，统计t2=1和t2=0的个体数量及占比

原分步代码需三次独立处理数据，现需合并为一段代码以提升简洁性和大数据集性能。

解决方案 #

可以通过单次分组+批量计算的方式，在一次数据遍历中完成所有统计，再按需整理格式：

library(dplyr)
library(tidyr)

# 核心计算：一次分组完成所有统计
result <- df %>%
  group_by(yr) %>%
  summarise(
    # 第一层级：FM的数量与占比（按年份整体）
    count_FM0 = sum(FM == 0),
    perc_FM0 = count_FM0 / n(),
    count_FM1 = sum(FM == 1),
    perc_FM1 = count_FM1 / n(),
    
    # 第二层级：FM=1时t1的数量与占比（基于FM=1的子集）
    count_t1_FM1_0 = sum(FM == 1 & t1 == 0),
    perc_t1_FM1_0 = ifelse(count_FM1 == 0, NA, count_t1_FM1_0 / count_FM1),
    count_t1_FM1_1 = sum(FM == 1 & t1 == 1),
    perc_t1_FM1_1 = ifelse(count_FM1 == 0, NA, count_t1_FM1_1 / count_FM1),
    
    # 第三层级：FM=1且t1=1时t2的数量与占比（基于FM=1&t1=1的子集）
    count_t2_FM1t11_0 = sum(FM == 1 & t1 == 1 & t2 == 0),
    perc_t2_FM1t11_0 = ifelse(count_t1_FM1_1 == 0, NA, count_t2_FM1t11_0 / count_t1_FM1_1),
    count_t2_FM1t11_1 = sum(FM == 1 & t1 == 1 & t2 == 1),
    perc_t2_FM1t11_1 = ifelse(count_t1_FM1_1 == 0, NA, count_t2_FM1t11_1 / count_t1_FM1_1),
    
    .groups = "drop" # 取消分组，返回普通数据框
  )

# 可选：转换为长格式，更易阅读
result_long <- result %>%
  pivot_longer(
    cols = -yr,
    names_to = c("stat_type", "category"),
    names_sep = "_",
    values_to = "value"
  ) %>%
  pivot_wider(
    names_from = stat_type,
    values_from = value
  )

# 查看结果
print(result_long)

代码说明 #

1. 单次分组：仅按yr分组一次，避免多次过滤和分组操作，大幅提升大数据集的处理效率。
2. 批量计算：通过sum()直接统计各条件下的样本数，用除法计算占比，同时加入ifelse()避免分母为0的报错。
3. 格式转换：利用tidyr的pivot_longer()和pivot_wider()将宽格式结果转换为更易读的长格式，可根据需求选择保留宽/长格式。

运行后得到的长格式结果示例：

# A tibble: 6 × 4
  yr    category      count  perc
  <chr> <chr>         <int> <dbl>
1 2008  FM0               1   0.2
2 2008  FM1               4   0.8
3 2008  t1_FM1_0          2   0.5
4 2008  t1_FM1_1          2   0.5
5 2008  t2_FM1t11_0       1   0.5
6 2008  t2_FM1t11_1       1   0.5
# ℹ 2 more rows

内容的提问来源于stack exchange，提问作者vog