R语言中按组对多列进行汇总统计的高效实现方法

问题描述 #

我有一个包含学生基础信息的dataframe，想要获取Age、Sex以及GroupMath、GroupEng、GroupScie、GroupChine各分组的汇总统计信息。目前我通过重复代码分别处理每个分组列，效率很低，想知道更高效的实现方式。

测试数据 #

set.seed(500)
testdf <- data.frame(ID = paste0("Stu", c(1:10)),
                     Age = sample(18:25, 10, replace = T),
                     Sex =  sample(c("Boy", "Girl", "NA"), 10, replace = T),
                     Name = c("Pwyll","Flavian","Leehi","Zuzana","Aniya","Bogomil"
                              ,"Lameez","Prudencia","Ikuo","Grayson"),
                     GroupMath = sample(LETTERS[1:2], 10, replace = T),
                     GroupEng = sample(LETTERS[1:2], 10, replace = T),
                     GroupScie = sample(LETTERS[1:2], 10, replace = T),
                     GroupChine = sample(LETTERS[1:2], 10, replace = T))

现有单分组处理代码 #

# 统计GroupMath分组的样本量
N.math <- testdf %>% group_by(GroupMath) %>% count(GroupMath) 

# 统计GroupMath分组下Age的均值、最大/最小值、标准差
Age.math <- testdf %>% group_by(GroupMath) %>% summarize(
      Mean = mean(Age),
      Max = max(Age),
      Min = min(Age),
      sd = sd(Age))

# 统计GroupMath分组下Sex的分布
Sex.math <- testdf %>% group_by(GroupMath) %>% count(Sex)

高效实现方式 #

利用tidyverse的长格式转换+批量分组统计，可以避免重复编写代码，一次处理所有分组列。

方案1：整合所有统计结果到单一数据框 #

library(tidyverse)

# 将所有分组列转为长格式，统一处理
testdf_long <- testdf %>%
  pivot_longer(
    cols = starts_with("Group"),
    names_to = "Subject",
    values_to = "Group"
  )

# 计算核心统计量（样本量、Age指标）
base_stats <- testdf_long %>%
  group_by(Subject, Group) %>%
  summarize(
    N = n(),
    Age_Mean = mean(Age),
    Age_Max = max(Age),
    Age_Min = min(Age),
    Age_SD = sd(Age),
    .groups = "drop"
  )

# 计算Sex分布并合并到结果中
final_stats <- base_stats %>%
  left_join(
    testdf_long %>%
      group_by(Subject, Group, Sex) %>%
      count(name = "Count") %>%
      pivot_wider(names_from = Sex, values_from = Count, values_fill = 0),
    by = c("Subject", "Group")
  )

# 查看最终结果
print(final_stats)

方案2：按科目拆分输出独立统计结果 #

如果需要保留原代码中按单个分组列输出的结构，可以用map批量处理：

# 按科目拆分数据
subject_groups <- testdf_long %>%
  group_by(Subject) %>%
  group_split()

# 批量生成每个科目的三类统计结果
output_list <- map(subject_groups, function(subj_df) {
  subj_name <- unique(subj_df$Subject)
  list(
    N = subj_df %>% count(Group),
    Age_stats = subj_df %>%
      group_by(Group) %>%
      summarize(Mean = mean(Age), Max = max(Age), Min = min(Age), sd = sd(Age)),
    Sex_dist = subj_df %>% group_by(Group) %>% count(Sex)
  ) %>% set_names(paste0(subj_name, "_", names(.)))
}) %>% flatten()

# 调用示例：查看数学分组的Age统计结果
output_list$GroupMath_Age_stats

说明 #

• 两种方案都通过starts_with("Group")自动匹配所有分组列，后续新增分组列无需修改代码；
• 方案1适合将所有统计结果整合到一个数据框，方便后续分析或导出；
• 方案2保留了与原代码类似的拆分结构，同时实现了批量处理。

内容的提问来源于stack exchange，提问作者mashimena