如何在R中使用窗口函数按行数对分组进行排名？

我尝试用窗口函数按州的书评数量给每行排名，让书评最多的州排1、次多排2，但原代码所有行的state_rank都是1：

data <- read_csv("https://dq-content.s3.amazonaws.com/498/book_reviews.csv")

data %>% 
    group_by(state) %>%
    mutate(num_books = n(),
           state_rank = dense_rank(num_books)) %>% 
    arrange(num_books)

我已经能用手动left_join的方式实现，但想直接用窗口函数完成，避免额外的表连接，最终要能通过state_rank <=4筛选出前4大州的所有行。

问题根源 #

你原代码的问题在于分组后窗口函数的作用范围是单个组：group_by(state)之后，dense_rank(num_books)是在每个州的组内计算的，而每个组内的num_books都是相同的（等于该州的总书评数），所以每个组内的排名都是1，最终所有行的state_rank都是1。

要实现全局排名，需要先计算每个州的书评数，再在整个数据集范围内对这些数值排名，而不是在组内。

正确写法（dplyr 1.1.0+版本） #

利用.by参数可以不用显式分组，直接按州计算书评数，再全局排名：

data <- read_csv("https://dq-content.s3.amazonaws.com/498/book_reviews.csv")

result <- data %>%
  # 按州计算每个州的书评数，新增num_books列
  mutate(num_books = n(), .by = state) %>%
  # 对num_books降序排名，最多的州排1；用dense_rank处理并列情况
  mutate(state_rank = dense_rank(desc(num_books))) %>%
  arrange(state_rank)

# 筛选前4大州的所有行
top4_states <- result %>% filter(state_rank <=4)

兼容旧版dplyr的写法 #

如果你的dplyr版本低于1.1.0，需要先分组计算数量，再取消分组后全局排名：

result <- data %>%
  group_by(state) %>%
  mutate(num_books = n()) %>%
  ungroup() %>%  # 关键：取消分组，让排名作用于整个数据集
  mutate(state_rank = dense_rank(desc(num_books))) %>%
  arrange(state_rank)

补充说明 #

• desc(num_books)确保书评数最多的州排名为1，符合需求；如果用默认升序，最少的州会排1。
• dense_rank会处理并列情况（比如两个州书评数相同，会得到相同排名，下一个不同的排名递增1）；如果需要跳跃式排名（并列后下一个排名跳过对应数量），可以换成rank()。

内容的提问来源于stack exchange，提问作者Khashir