如何用dplyr基于发帖量百分位数创建用户活跃状态二元变量

问题背景 #

需要基于Reddit用户发帖量创建指示变量：发帖量处于80百分位及以上标记为1（活跃用户），否则为0（被动用户）。已通过dplyr的group_by+mutate统计出每个用户的发帖量count，但百分位数识别逻辑有误。

错误原因分析 #

你之前的代码group_by(username) %>% do(tidy(t(quantile(.$count))))存在逻辑问题：按用户分组后，每个用户的count是单一值（该用户的总发帖量），对单一值计算分位数没有意义，应该基于所有用户的发帖量整体计算80百分位阈值。

正确实现步骤 #

方法1：分步计算阈值并标记

1. 先提取所有用户的唯一发帖量，计算80百分位阈值：

# 提取每个用户的唯一发帖量，计算80分位数
threshold <- df %>% 
  distinct(username, count) %>%  # 去重，保留每个用户的发帖量
  pull(count) %>% 
  quantile(probs = 0.8, na.rm = TRUE)  # 计算80百分位，忽略缺失值

2. 在原数据中创建活跃用户指示变量：

df <- df %>% 
  mutate(is_active = ifelse(count >= threshold, 1, 0))

方法2：一步完成（更简洁）

取消分组后直接基于整个数据集的count计算阈值并标记：

df <- df %>% 
  # 确保每个用户的发帖量统计正确（若已完成此步可省略）
  group_by(username) %>% 
  mutate(count = n()) %>% 
  ungroup() %>%  # 关键：取消用户分组，让quantile针对所有用户的发帖量计算
  # 创建指示变量，as.integer将布尔值转为0/1
  mutate(is_active = as.integer(count >= quantile(count, probs = 0.8, na.rm = TRUE)))

验证（基于你提供的count向量） #

用你给出的count向量测试阈值：

count_vec <- c(15L, 9L, 1L, 1L, 1L, 1L, 1L, 1L, 15L, 15L, 15L, 1L, 15L, 1L, 
1L, 15L, 1L, 1L, 15L, 2L, 15L, 1L, 15L, 1L, 15L, 2L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 3L, 15L, 191L, 3L, 191L, 
191L, 1L, 191L, 191L, 2L, 191L, 191L, 1L, 191L, 1L, 191L, 191L, 
191L, 3L, 191L, 98L, 191L, 1L, 191L, 2L, 191L, 9L, 1L, 191L, 
1L, 1L, 3L, 191L, 191L, 191L, 2L, 3L, 1L, 1L, 2L, 2L, 191L, 191L, 
191L, 191L, 17L, 1L, 3L, 4L, 3L, 22L, 2L, 3L, 3L, 191L)

# 计算80百分位
quantile(count_vec, probs = 0.8)
# 输出：80% = 15

因此，发帖量≥15的用户会被标记为活跃用户（is_active=1），其余为被动用户。

内容的提问来源于stack exchange，提问作者nesta1990