在R中使用groupby和dplyr按分组列计算比例

你的代码核心问题是用错了获取分组行数的函数，nrow(merchantName)无法获取当前分组的观测数，以下是修正后的两种实现方式：

写法一：通过求和与计数计算比例 #

dt_nm %>%  
  group_by(merchantName) %>% 
  summarise(ratio_fraud = sum(isFraud) / n(),
            .groups = "drop")

写法二：利用均值直接计算（更简洁） #

dt_nm %>%  
  group_by(merchantName) %>% 
  summarise(ratio_fraud = mean(isFraud),
            .groups = "drop")

关键细节说明 #

• n()：在分组后的summarise环境中，n()会返回当前分组的观测总数，这正是你需要的每组总样本量。
• mean(isFraud)：由于isFraud是取值为0或1的二元变量，它的均值等价于1的观测数占该组总数的比例，写法更简洁且效率一致。
• .groups = "drop"：可选参数，用于计算完成后取消数据框的分组状态，避免后续操作因残留分组逻辑出现意外结果。

针对70万条观测、1000个分组的数据集，上述dplyr操作的性能完全够用。

内容的提问来源于stack exchange，提问作者freddywit