R语言按累计百分比分组筛选：保留阈值内及超阈值首行

需求描述 #

按yyyymm字段分组筛选数据，规则如下：

• 保留每个分组内累计百分比cumperc小于等于指定阈值（本案例为0.5）的所有行
• 额外保留每个分组内cumperc首次超过阈值的第一行

原有代码问题 #

原代码无法得到预期结果，原因有两点：

• group_by(yyyymm)后未衔接分组操作函数，分组设置不会对后续的全局索引筛选生效
• 仅判断了cumperc <= 0.5的条件，未补充保留首次超阈值行的逻辑

可复用实现代码 #

基于dplyr的分组筛选逻辑实现，支持任意阈值调整，自动适配所有分组：

library(dplyr)

# 可根据需求修改阈值
filter_threshold <- 0.5

df_filtered <- df %>%
  group_by(yyyymm) %>%
  filter(
    # 保留所有小于等于阈值的行
    cumperc <= filter_threshold
    |
    # 额外保留分组内第一个超过阈值的行
    row_number() == which(cumperc > filter_threshold)[1]
  ) %>%
  ungroup()

注：如果存在分组所有行的cumperc均不超过阈值的极端情况，上述逻辑也可正常运行，不会报错。

结果验证 #

使用提供的完整示例数据集运行代码，输出结果与预期完全匹配：

# A tibble: 11 × 4
     ind yyyymm cumperc name  
   <int>  <int>   <dbl> <chr> 
 1     1 202006   0.196 CHILD 
 2     2 202006   0.327 WOMAN 
 3     3 202006   0.401 MAN   
 4     4 202006   0.461 PET   
 5     5 202006   0.504 FRIEND
 6     9 202007   0.157 CHILD 
 7    10 202007   0.265 MAN   
 8    11 202007   0.369 WOMAN 
 9    12 202007   0.459 PET   
10    13 202007   0.494 FRIEND
11    14 202007   0.519 ENEMY

内容的提问来源于stack exchange，提问作者lakerirish