如何在R语言中合并相似数据行并按规则聚合数值？

需求说明 #

需要将DataFrame中同一项目的不同版本（如googleV1与googleV2）合并，按以下规则聚合：

• quantity、revenue字段求和
• rating字段求平均
• 保留group列作为分组维度，最终每个项目-分组组合仅保留一行
• 要求支持多分组列场景，且通过列序号引用需聚合的字段

原始数据集 #

期望输出 #

解决方案（Python Pandas） #

import pandas as pd

# 1. 创建原始DataFrame
data = {
    'item': ['googleV1', 'googleV2', '123V5', '123V6', '123V7'],
    'group': ['blue', 'blue', 'red', 'red', 'yellow'],
    'quantity': [4525, 2452, 3563, 34534, 4574],
    'revenue': ['$523513', '$134134', '$134134', '$2345', '$34535'],
    'rating': ['94%', '82%', '82%', '34%', '64%']
}
df = pd.DataFrame(data)

# 2. 预处理：转换数值型字段格式（去掉$、%符号）
df['revenue_num'] = df['revenue'].str.replace('$', '').astype(int)
df['rating_num'] = df['rating'].str.replace('%', '').astype(int)

# 3. 提取项目核心名称（去掉版本号Vx部分）
df['item_core'] = df['item'].str.extract(r'^(.*?)V')
# 处理无版本号的情况（如果存在）
df['item_core'] = df['item_core'].fillna(df['item'])

# 4. 分组聚合：按列序号引用字段，支持多分组列
# 列序号说明：quantity是第2列（索引从0开始），revenue_num是第5列，rating_num是第6列
agg_result = df.groupby(['item_core', 'group']).agg(
    quantity=(df.iloc[:, 2], 'sum'),
    revenue_sum=(df.iloc[:, 5], 'sum'),
    rating_avg=(df.iloc[:, 6], 'mean')
).reset_index()

# 5. 还原格式：添加$和%符号
agg_result['revenue'] = '$' + agg_result['revenue_sum'].astype(str)
agg_result['rating'] = agg_result['rating_avg'].astype(int).astype(str) + '%'

# 6. 整理最终输出列
final_df = agg_result[['item_core', 'group', 'quantity', 'revenue', 'rating']].rename(columns={'item_core': 'item'})

# 打印结果
print(final_df)

关键说明 #

• 多分组支持：若需添加更多分组列，只需在groupby的列表中加入对应列名即可（如groupby(['item_core', 'group', 'new_group_col'])）
• 版本号提取逻辑：使用正则^(.*?)V匹配V前的所有字符作为项目核心名称，若存在无版本号的item，会自动填充原始item值。

内容的提问来源于stack exchange，提问作者piper180