计算各分组中含特定记录的session占总session的比例（R语言）

需求：统计每个用户下至少包含1条action=='p'的会话数量，再计算该数量与用户总会话数（即该用户的max(session)）的比值，同时已通过代码添加辅助列session_with_p标记对应会话是否包含'p'操作。

原始数据集 #

df<-read.table(text="
user     session   action
1        1          'v'
1        1          'v'      
1        1          'v'
1        2          'd'
1        2          'p'
1        2          'p'
1        3          'p'
2        1          'v'
2        1          'p'
2        2          'v'",header=T,stringsAsFactors = F)

已完成的代码步骤 #

df <- df %>% 
  group_by(user, session) %>% 
  mutate(session_with_p = any(action == "p"))

期望结果 #

需要得到包含ratio_session_posting列的数据集，示例如下：

解决方案代码 #

library(dplyr)

df_result <- df %>%
  # 保留原有的会话标记步骤
  group_by(user, session) %>%
  mutate(session_with_p = any(action == "p")) %>%
  # 按用户分组计算占比
  group_by(user) %>%
  mutate(
    # 计算用户总会话数
    total_sessions = max(session),
    # 统计含p操作的会话数量（去重计数）
    sessions_with_p = n_distinct(session[session_with_p]),
    # 生成分数形式的占比
    ratio_session_posting = paste0(sessions_with_p, "/", total_sessions),
    # 可选：在每组第一行添加小数格式（匹配示例中的显示）
    ratio_session_posting = if_else(row_number() == 1, 
                                    paste0(ratio_session_posting, " (", round(sessions_with_p/total_sessions, 2), ")"), 
                                    ratio_session_posting)
  ) %>%
  # 取消分组，移除中间辅助列
  ungroup() %>%
  select(-total_sessions, -sessions_with_p)

# 查看结果
print(df_result)

代码说明 #

1. 先按user和session分组，用any(action == "p")标记该会话是否包含'p'操作，生成session_with_p列；
2. 切换到按user分组，计算两个核心指标：
   • total_sessions：用户的总会话数，用max(session)获取；
   • sessions_with_p：筛选出标记为TRUE的会话，通过n_distinct去重计数得到含'p'的会话数量；
3. 生成ratio_session_posting列，默认显示为分数格式，同时可选在每组的第一行添加括号包裹的小数近似值（如示例中的2/3 (0.67)）；
4. 最后取消分组并移除中间辅助列，得到符合需求的结果集。

内容的提问来源于stack exchange，提问作者Cina