如何在group_by分组内生成总和为100%的四舍五入百分比？

在按分组计算类别占比并四舍五入后，常会出现分组内总和偏离100%的情况。以下是两种基于dplyr的解决方案，确保每个分组的四舍五入百分比独立总和为100%。

方案一：基于截断值的调整（优先贴合实际占比） #

先将百分比截断到两位小数，再根据总和与1的差值，把差值分配给小数部分最大的若干项，保证总和为100%。

library(dplyr)

# 原始数据
df = data.frame(
  group = c('A','A','A','A','B','B','B','B'),
  categories = c('Cat1','Cat2','Cat3','Cat4','Cat1','Cat2','Cat3','Cat4'),
  values = c(2200,4700,3000,2000,2900,4400,2200,1000)
)

# 计算并调整分组内四舍五入百分比
df_rounded_shares = df %>%
  group_by(group) %>%
  mutate(
    group_total = sum(values),
    group_share = values / group_total,
    # 截断到两位小数（不四舍五入）
    share_truncated = trunc(group_share * 100) / 100,
    # 提取小数部分，用于排序优先级
    decimal_part = group_share - share_truncated,
    # 计算截断值总和与1的差值
    total_diff = 1 - sum(share_truncated)
  ) %>%
  # 按小数部分降序排序，优先调整小数部分大的项
  arrange(desc(decimal_part), .by_group = TRUE) %>%
  # 分配差值：总和不足则加，超出则减
  mutate(
    group_share_rounded = if_else(
      row_number() <= abs(total_diff) * 100,
      share_truncated + sign(total_diff) * 0.01,
      share_truncated
    )
  ) %>%
  # 清理中间列
  select(-group_total, -group_share, -share_truncated, -decimal_part, -total_diff) %>%
  ungroup()

# 验证分组总和
df_rounded_shares %>%
  group_by(group) %>%
  summarize(total_rounded = sum(group_share_rounded))

方案二：基于常规四舍五入的误差修正 #

先做常规四舍五入，再根据总和误差，调整误差最大的项，保证总和为100%。

df_rounded_shares_v2 = df %>%
  group_by(group) %>%
  mutate(
    group_total = sum(values),
    group_share = values / group_total,
    # 先做常规四舍五入
    group_share_rounded = round(group_share, 2),
    # 计算总和与1的差值
    total_diff = 1 - sum(group_share_rounded),
    # 计算每个项的四舍五入误差（实际值 - 四舍五入后的值）
    error = group_share - group_share_rounded
  ) %>%
  # 按误差降序排序：总和不足时优先加给误差大的项，总和超出时优先减误差小的项
  arrange(desc(error), .by_group = TRUE) %>%
  mutate(
    group_share_rounded = if_else(
      row_number() <= abs(total_diff) * 100,
      group_share_rounded + sign(total_diff) * 0.01,
      group_share_rounded
    )
  ) %>%
  # 清理中间列
  select(-group_total, -group_share, -total_diff, -error) %>%
  ungroup()

# 验证分组总和
df_rounded_shares_v2 %>%
  group_by(group) %>%
  summarize(total_rounded = sum(group_share_rounded))

核心逻辑说明 #

两种方案的核心都是在分组内独立处理：

1. 计算分组内每个类别的实际占比
2. 计算当前四舍五入/截断值的总和与1的差值
3. 根据差值大小，将误差分配给优先级最高的若干项（优先级由小数部分或四舍五入误差决定）

内容的提问来源于stack exchange，提问作者Felipe D.