R语言dplyr汇总数据时如何保留额外列并正确计算分组统计量

问题核心是计算不同粒度指标时没有匹配对应的分组层级，不需要使用join操作，直接调整分组规则即可单流程保留所有原始列完成计算，效率远高于关联汇总表的方案。

错误原因说明 #

• 调用summarize()会将数据集折叠到当前分组（ID+WS）粒度，每个分组仅保留1行结果，会丢失PP这类原始行级别的字段。
• 全程在group_by(ID, WS)分组下计算numWS = length(ID)时，计算范围限定在单个ID+WS组，返回值为当前组的行数，和numDocs_ID_WS = n()的计算逻辑完全一致，因此结果错误。

正确实现代码 #

兼容所有dplyr版本的写法 #

逐层调整分组粒度计算对应指标，全程不会折叠原始行，所有原始列（包括PP、DM等）都会完整保留：

library(tidyverse)

df_result <- df %>%
  # 第一层分组：按ID+WS计算单工作站下的文档数、平均错误率
  group_by(ID, WS) %>%
  mutate(
    numDocs_ID_WS = n(),
    avg = mean(ER)
  ) %>%
  # 调整分组层级：仅按ID分组，计算用户使用的工作站总数
  group_by(ID) %>%
  mutate(
    numWS = n_distinct(WS)
  ) %>%
  ungroup()

dplyr 1.1.0及以上版本更简洁的写法 #

通过.by参数直接在mutate中指定当前计算的分组粒度，不需要反复调用group_by()：

df_result <- df %>%
  mutate(
    numDocs_ID_WS = n(),
    avg = mean(ER),
    .by = c(ID, WS)
  ) %>%
  mutate(
    numWS = n_distinct(WS),
    .by = ID
  )

结果说明 #

基于示例数据验证，计算结果完全符合预期：

• 用户A使用过a、b两个工作站，numWS = 2；其中在工作站a共创建4份文档，在工作站b创建1份文档，对应平均错误率会正确填充到所属行。
• 用户B使用过a、b两个工作站，numWS = 2；两个工作站下各创建3份文档。
• 用户C仅使用过b工作站，numWS = 1，共创建2份文档。
• 原始数据集中的PP、DM等行级字段全部保留，无丢失。

该类分组计算为纯向量化操作，即便是数十万到百万行、数百列的数据集，运行效率也远高于先汇总再join的方案，代码可读性更强。

内容的提问来源于stack exchange，提问作者alexander