R语言如何计算分组列相对份额 固定组总和并补全缺失组合为0

核心解决逻辑 #

• 要实现同twodigit组indtotal取值恒定，计算行业总就业时不要把smb加入分组维度，用mutate()而非summarize()生成列：mutate不会折叠分组行，同组所有行会被赋予相同的汇总值，避免总就业被smb维度拆分。
• 要补全每个行业下缺失的smb分类，用tidyr::complete()显式声明需要覆盖的维度组合，不存在的组合直接填0即可。

完整可运行代码 #

library(dplyr)
library(tidyr)

# 测试数据构造
naicstest <- c (512131,512141,521921,522654,512131,536978,541214,531214,621112,541213,551212,574121,569887,541211,523141,551122,512312,521114,522112)
employment <- c(11,130,315,17,190,21,22,231,15,121,19,21,350,110,515,165,12,110,111)
smb <- c(1,2,3,1,3,1,1,3,1,2,1,1,4,2,4,3,1,2,2)

first <- data.frame(naicstest,employment,smb) %>% 
  mutate(twodigit = substr(naicstest,1,2))

# 指标计算
result <- first %>%
  # 按两位数行业编码分组，计算行业总就业，同组所有行indtotal一致
  group_by(twodigit) %>%
  mutate(indtotal = sum(employment)) %>%
  # 按行业+smb规模分组，计算各规模组就业总和
  group_by(twodigit, smb, indtotal) %>%
  summarise(smbtotal = sum(employment), .groups = "drop") %>%
  # 补全所有行业下smb=1到4的组合，缺失的smbtotal填0
  complete(twodigit, smb = 1:4, fill = list(smbtotal = 0)) %>%
  # 补全新增行的indtotal值（同行业值固定）
  group_by(twodigit) %>%
  fill(indtotal, .direction = "downup") %>%
  # 计算小企业占比，调整列顺序
  mutate(smbshare = smbtotal / indtotal) %>%
  select(twodigit, indtotal, smb, smbtotal, smbshare)

关键步骤说明 #

• 之前的错误写法是把smb和twodigit同时作为分组变量做summarize，汇总粒度直接到了行业+规模组，自然拿不到行业层面的固定总值。
• complete()执行时会生成所有传入维度的笛卡尔积，传入smb=1:4就会强制每个twodigit组都覆盖smb的4个取值，不需要手动遍历补行。
• 补全操作会让新增行的indtotal暂时为缺失值，按twodigit分组做上下填充即可把同组的行业总值同步到所有新增行，最后直接做除法就能得到正确的占比结果。

内容的提问来源于stack exchange，提问作者Tim Wilcox