如何用R的dplyr包对分组不均衡的分类数据计算均值？

核心误区分析 #

你之前的问题出在两个关键点：

• 仅按id分组统计各选项次数，但没有跨所有id计算这些次数的平均值
• 忽略了「部分id未选择某选项」的情况，这类选项在对应id中的计数应为0，不补全的话会导致均值计算偏差

正确计算步骤（dplyr+tidyr实现） #

我们需要先统计每个id内各选项的出现次数，补全缺失选项的0值，再对所有id求平均。

1. 加载依赖包

library(dplyr)
library(tidyr)

2. 统计每个id内各选项的出现次数

counts_per_id <- df %>%
  count(id, m_ex, name = "count")

这一步会得到每个id对应每个选项的选择次数，比如id1的a出现2次、b出现2次等。

3. 补全每个id的所有选项（缺失项填0）

因为有些id没有选择某些选项（比如id2没选a），需要把这些缺失的组合补全并设计数为0，保证每个id都包含所有m_ex选项：

counts_complete <- counts_per_id %>%
  complete(id, m_ex, fill = list(count = 0))

4. 计算各选项的平均选择次数

按m_ex分组，对所有id的计数求均值：

mean_result <- counts_complete %>%
  group_by(m_ex) %>%
  summarize(mean_count = mean(count))

最终结果

运行后会得到：

print(mean_result)
# # A tibble: 3 × 2
#   m_ex  mean_count
#   <chr>      <dbl>
# 1 a           1.33
# 2 b           1.33
# 3 c           1

简化实现（用pivot_wider） #

也可以用宽格式转换的方式一步到位：

df %>%
  count(id, m_ex) %>%
  pivot_wider(names_from = m_ex, values_from = n, values_fill = 0) %>%
  summarize(across(a:c, mean)) %>%
  pivot_longer(cols = everything(), names_to = "m_ex", values_to = "mean_count")

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