R语言按CLASS分组统计多分类变量的简便实现方法求助

嘿，刚接触R不用慌！针对你用mlbench包的Soybean数据集，想要按CLASS（19个水平）分组统计35个分类变量的频数、NA数量和众数，确实有比手动逐个处理更简便的方法。下面推荐两种常用的高效实现方式，新手友好且代码简洁：

方法一：用tidyverse生态（dplyr+tidyr+purrr） #

这个组合代码可读性强，适合刚入门的R用户，先确保安装并加载所需包：

# 安装所需包（首次使用时执行）
install.packages(c("mlbench", "dplyr", "tidyr", "purrr"))

# 加载包
library(mlbench)
library(dplyr)
library(tidyr)
library(purrr)

# 加载Soybean数据集
data(Soybean)

核心思路是把宽格式数据集转成长格式，这样所有分类变量可以统一处理，再按CLASS和变量名分组计算统计量：

# 分组统计核心代码
group_stats <- Soybean %>%
  # 把35个分类变量转成长格式，保留CLASS作为分组依据
  pivot_longer(cols = -CLASS, names_to = "variable", values_to = "value") %>%
  # 按CLASS和变量名分组
  group_by(CLASS, variable) %>%
  summarise(
    total_count = n(),  # 该分组的总样本数
    na_count = sum(is.na(value)),  # NA值的数量
    # 计算众数：取出现次数最多的类别，多众数时取第一个
    mode = names(which.max(table(value, useNA = "no"))),
    # 可选：保留完整的频数表（存为列表，方便查看详细分布）
    freq_details = list(table(value, useNA = "ifany"))
  ) %>%
  ungroup()

# 查看前几行结果
head(group_stats)

如果想把频数表展开成更直观的列（每个类别对应一列显示频数），可以再加一步：

# 展开频数表为宽格式
group_stats_wide <- group_stats %>%
  mutate(freq_details = map(freq_details, ~as.data.frame(.x) %>% 
                              t() %>% 
                              as.data.frame() %>% 
                              rownames_to_column("category"))) %>%
  unnest(freq_details) %>%
  pivot_wider(names_from = category, values_from = Freq, values_fill = 0)

head(group_stats_wide)

方法二：用data.table（高效处理大数据） #

如果数据集很大，data.table的速度会更快，语法也很简洁：

# 安装并加载包
install.packages(c("mlbench", "data.table"))
library(mlbench)
library(data.table)

# 加载数据集并转为data.table格式
data(Soybean)
setDT(Soybean)

# 转长格式
soybean_long <- melt(Soybean, id.vars = "CLASS", variable.name = "variable", value.name = "value")

# 分组计算统计量
group_stats_dt <- soybean_long[, .(
  total_count = .N,
  na_count = sum(is.na(value)),
  mode = names(which.max(table(value, useNA = "no"))),
  freq_details = list(table(value, useNA = "ifany"))
), by = .(CLASS, variable)]

新手小贴士 #

• 若需要保留所有众数（当多个类别出现次数相同时），可以把众数的计算代码改成：

  mode = paste(names(which(table(value, useNA = "no") == max(table(value, useNA = "no")))), collapse = ", ")
  

• freq_details是可选的，如果只需要核心统计量（总频数、NA数、众数），可以去掉这一行，结果会更简洁。

这样就不用手动逐个变量处理啦，一次就能搞定所有35个分类变量的分组统计需求，刚学R的话先从tidyverse的方法入手，代码可读性更高，熟悉之后再尝试data.table的高效写法~

内容的提问来源于stack exchange，提问作者mathcomp guy