如何用单条dplyr语句高效计算各职业平均捐款额？

问题背景 #

你需要按捐赠者职业分组计算平均捐款额，最初用两次分组统计（总额+次数）再合并计算的方式，过程繁琐；后来发现用单条dplyr语句就能得到正确结果，但对语句中n()的作用存疑：sum(contribution_receipt_amount)/n()里的n()是不是按职业分组后的捐款次数，而非总数据行数？

核心结论 #

是的，n()在这里返回的就是每个职业分组下的捐款次数（即该分组的行数），这也是简化代码能得到正确结果的原因。

具体解释 #

在dplyr的工作流中：

• 当你用group_by(contributor_occupation)对数据按职业分组后，后续的summarise()操作会逐组执行
• 分组状态下的n()函数，会自动统计当前分组内的观测数量（也就是该职业的捐款次数），而非整个数据集的总行数

拿你提供的数据示例举例：

• CIRCUS ARTIST分组有2条捐款记录，n()返回2，sum(contribution_receipt_amount)返回100+27=127，计算得平均127/2=63.5，和手动计算结果一致
• NOT EMPLOYED分组有2条记录，n()返回2，sum是2.7+50=52.7，平均26.35，同样符合预期

代码对比与优化 #

• 你最初的繁琐代码，本质是把「分组求和」「分组计数」拆成两个步骤，合并后再计算平均，和简化代码的逻辑完全一致，只是简化代码把这三步合并到了同一个summarise()中，利用分组后n()的特性直接完成计算
• 其实还能进一步简化：dplyr提供了现成的mean()函数，直接用它计算分组平均更直观，效果和sum/n()完全相同：

avg_donation_occupation <- b %>%
  select(contributor_occupation, contribution_receipt_amount) %>%
  group_by(contributor_occupation) %>%
  summarize(avg_donation_by_occupation = mean(contribution_receipt_amount)) %>%
  arrange(desc(avg_donation_by_occupation))

内容的提问来源于stack exchange，提问作者cigarettes_after_text