如何正确计算特定年份中各国相关咨询的占比？

我有一份客户咨询各国信息的数据集，单次咨询可能涉及1个或多个国家，多国家记录在同一列中用逗号分隔。现在需要明确：计算特定年份中某国相关咨询的占比时，应该采用哪种方式？

方式一：拆分多国家行后计算占比 #

先拆分含多国家的行（增加观测数），统计拆分后的总观测数与该国观测数后计算占比，对应R代码：

df %>% 
  separate_rows(Country) %>% 
  group_by(Year) %>% 
  mutate(n.Total = n()) %>%
  group_by(Year, Country) %>% 
  mutate(n.Country = n()) %>% 
  group_by(Year) %>% 
  mutate(Percentage = n.Country/n.Total*100) %>%
  distinct(Country, .keep_all = T)

方式二：基于原始观测数计算占比 #

保留原始咨询的总观测数，统计该国出现次数后计算占比，对应R代码：

df %>% 
 group_by(Year) %>%
  mutate(n.Total = n()) %>% 
  separate_rows(Country) %>% 
  group_by(Year, Country) %>% 
  mutate(n.Country = n()) %>% 
  group_by(Year) %>% 
  mutate(Percentage = n.Country/n.Total*100) %>%
  distinct(Country, .keep_all = T)

示例数据集 #

structure(list(Year = c(2019, 2019, 2019, 2019, 2019, 2019, 2019, 
2019, 2019, 2019, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 
2020, 2020), Country = c("A", "B", "A,B", "C", "C", "A", "A, C", 
"B", "B,C", "A", "A,C", "C", "A", "B,C", "A", "B", "A", "B", 
"C", "B,C")), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, 
-20L))

两种方式的核心差异与选择逻辑 #

两种方式的本质区别是分母的统计口径不同：

• 方式一的分母是「所有国家被提及的总次数」（一条涉及多个国家的咨询会被拆分成多条记录，总观测数是所有国家提及次数的总和），计算的是该国在所有咨询的国家提及中所占的比例。比如一条同时咨询A和B的记录，会被分别算入A和B的统计中，分母也会增加2。
• 方式二的分母是「原始咨询的总条数」（不管每条咨询涉及多少国家，都只算1次），计算的是涉及该国的咨询数占总咨询数的比例。比如一条同时咨询A和B的记录，会被算入A和B的n.Country，但分母始终是原始的咨询条数。

具体选哪种，完全看你的业务需求：

• 若想了解该国在所有被咨询的国家里的曝光占比，选方式一；
• 若想统计有多大比例的咨询涉及该国，选方式二。

内容的提问来源于stack exchange，提问作者Justin