R语言中如何计算变量内特定取值的占比（支持缺失值处理）

基础计算逻辑 #

统计口径明确为所有有有效HIV检测结果的样本，核心公式：
阴性占比 = (HIV变量取值为0的样本数) / (HIV变量取值为0、1、2、3、4的总样本数) * 100%
其中HIV=1、2、3、4统一归为阳性样本，无论病毒载量水平差异，全部计入统计分母，不得随意剔除。

缺失值处理方案 #

缺失值指HIV变量为空、取值不在0-4范围内的无效记录（比如未参与检测、检测结果丢失、录入错误的样本），按两种场景处理：

• 常规统计场景（默认推荐）：直接剔除所有缺失值，不纳入分母计算。
  举个实际计算例子：总调研回收1200份问卷，其中HIV=0的样本共920份，HIV=1-4的样本共180份，剩余100份为无有效检测结果的缺失样本，最终阴性占比为920/(920+180)*100% ≈ 83.6%，100份缺失样本完全不参与占比运算。
• 敏感性分析/调研质量评估场景：单独拆分指标统计，不要把缺失值强行归为阴性或阳性（会直接导致结果偏倚）。可以先算检测有效率，再算有效样本内的阴性占比：
  HIV检测有效率 = (HIV取值在0-4区间的样本数)/总调研样本数 * 100%
有效样本阴性占比 = (HIV=0的样本数)/(HIV取值在0-4区间的样本数) *100%

注意：如果调研执行前已经预先制定了缺失值插补、加权调整规则，优先按既定调研方案执行，上述为流行病学调研通用默认处理逻辑。

常用工具实现代码 #

R 实现 #

# 清洗HIV变量，将非0-4的取值统一标记为缺失
df$HIV_valid <- ifelse(df$HIV %in% c(0,1,2,3,4), df$HIV, NA)
# 计算阴性占比，自动剔除缺失值
neg_rate <- mean(df$HIV_valid == 0, na.rm = TRUE) * 100

Python (pandas) 实现 #

import pandas as pd
import numpy as np
# 清洗HIV变量，将非0-4的取值统一标记为缺失
df['HIV_valid'] = df['HIV'].where(df['HIV'].isin([0,1,2,3,4]), np.nan)
# 计算阴性占比，自动跳过缺失值
neg_rate = (df['HIV_valid'] == 0).mean(skipna=True) * 100

内容的提问来源于stack exchange，提问作者sam.cold