如何用R对员工数据集按年龄分组，统计人数与薪资中位数

不需要用循环，R里的分组聚合工具（比如dplyr或data.table）是处理这类需求的高效方案，适合你数千行的数据集。以下是两种实用实现方式：

方法一：使用tidyverse（dplyr） #

先加载dplyr包，通过向量化的条件判断生成分组，再按分组聚合统计：

# 加载包（如果没安装先运行 install.packages("tidyverse")）
library(dplyr)

# 处理数据集，假设原数据集名为employee_data
result_df <- employee_data %>%
  # 生成年龄分组列：21以下→"Under 21"，65以上→"Over65"，其余保留原年龄（转字符统一类型）
  mutate(age_group = case_when(
    ageyears < 21 ~ "Under 21",
    ageyears > 65 ~ "Over65",
    TRUE ~ as.character(ageyears)
  )) %>%
  # 按年龄分组聚合
  group_by(age_group) %>%
  summarise(
    employee_count = n(),  # 统计每组人数
    median_salary = median(sal22, na.rm = TRUE)  # 计算薪资中位数，忽略缺失值
  ) %>%
  ungroup()  # 取消分组状态

# 查看结果
print(result_df)

关键说明： #

• case_when是向量化操作，比循环逐行判断快得多，适合大数据量
• group_by() + summarise()是R中标准的分组统计范式，代码简洁且易维护
• na.rm = TRUE避免因薪资列存在缺失值导致结果为NA

方法二：使用data.table（超大数据集首选） #

如果你的数据集行数超过10万，data.table的处理速度会更有优势：

# 加载包（如果没安装先运行 install.packages("data.table")）
library(data.table)

# 转换为data.table格式（如果原数据集不是的话）
setDT(employee_data)

# 生成分组并统计
result_dt <- employee_data[, .(
  employee_count = .N,
  median_salary = median(sal22, na.rm = TRUE)
), by = .(age_group = case_when(
  ageyears < 21 ~ "Under 21",
  ageyears > 65 ~ "Over65",
  TRUE ~ as.character(ageyears)
))]

# 转换为普通数据框（可选）
result_df <- as.data.frame(result_dt)

为什么不推荐循环？ #

R的for循环是逐元素迭代，处理数千行数据时不仅代码冗余，效率也远低于向量化操作或分组聚合工具——上述两种方法都是基于底层优化的向量化计算，运行速度更快，代码可读性也更强。

内容的提问来源于stack exchange，提问作者atm1984