R语言dplyr分组汇总计算唯一组合、去重均值与总时长

核心问题 #

需按country、state、date三列分组，同时计算三类指标，原有代码仅能正确计算唯一组合数、duration总和，无法正确计算唯一个体的平均权重：

• 唯一household_id-individual_id组合总数量
• 唯一个体对应的weights平均值：同户同个体重复出现时仅取1次权重参与计算
• duration列总和：所有行的duration均需累加，不得因个体重复剔除对应行的duration

注意：直接对全表先去重再汇总的方案会丢失重复个体行的duration值，导致总时长计算错误；直接对weights列取unique计算会把不同个体的相同权重误去重，均值结果失真。

可运行正确代码 #

基于dplyr实现，在分组内部单独对个体维度去重计算权重均值，不干扰全量行的duration求和逻辑：

library(dplyr)

result <- data %>% 
  group_by(country, state, date) %>% 
  summarise(
    # 计算唯一个体组合数
    total_unique = n_distinct(household_id, individual_id),
    # 分组内对唯一个体去重后取权重均值
    Average_weights = cur_data() %>% 
      distinct(household_id, individual_id, .keep_all = TRUE) %>% 
      pull(weights) %>% 
      mean(),
    # 全量行累加duration
    Tot_Duration = sum(duration),
    # 汇总后解除分组，避免后续操作受分组影响
    .groups = "drop"
  )

样例数据验证结果 #

用提供的测试数据集运行代码，输出结果完全符合预期：

• US-TX-20220601分组：total_unique=5，Average_weights=150，Tot_Duration=210
• IND-AP-20220601分组：total_unique=1，Average_weights=100，Tot_Duration=150

内容的提问来源于stack exchange，提问作者joy_1379