R data.table计算分组内指定列均值与其余组对应均值的比值

基于data.table的高效特性实现，不需要逐组做子集筛选，核心逻辑是通过全表统计值扣减组内统计值得到排除当前组的指标，避免重复遍历数据，数据量越大速度优势越明显。

先加载依赖包，构造示例数据集：

library(data.table)
DT <- data.table(
  A = c(1,1,2,2,3,3),
  B = c(1,2,3,4,5,6),
  C = c(1,3,5,7,9,11)
)

指定分组列为A，待计算列是B、C，直接按分组计算即可：

# 配置参数
group_cols <- "A"
calc_cols <- c("B", "C")

# 先计算待计算列的全表总和、总样本数
total_sum <- DT[, lapply(.SD, sum), .SDcols = calc_cols]
total_n <- nrow(DT)

res_base <- DT[, {
  # 组内基础统计
  group_sum <- lapply(.SD, sum)
  group_n <- .N
  # 组内均值
  group_mean <- lapply(group_sum, `/`, group_n)
  # 排除当前组的剩余数据均值 = (全表总和 - 组内和) / 剩余样本数
  out_mean <- Map(function(total_s, group_s) (total_s - group_s)/(total_n - group_n), total_sum, group_sum)
  # 计算最终比值
  ratio_val <- Map(`/`, group_mean, out_mean)
  
  # 整理输出，给不同类别的结果加后缀区分
  c(
    setNames(group_mean, paste0(calc_cols, "_组内均值")),
    setNames(out_mean, paste0(calc_cols, "_组外均值")),
    setNames(ratio_val, paste0(calc_cols, "_比值"))
  )
}, by = group_cols, .SDcols = calc_cols]

以A=1组为例验证：B列组内均值为(1+2)/2=1.5，剩余4行B列均值为(3+4+5+6)/4=4.5，比值为1.5/4.5≈0.333，和计算结果一致。

核心计算逻辑完全不用改，只需要调整分组列、待计算列的参数配置即可：

# 调整参数
group_cols <- c("A", "C")
calc_cols <- "B"

# 重新计算对应待计算列的全表统计值
total_sum <- DT[, lapply(.SD, sum), .SDcols = calc_cols]
total_n <- nrow(DT)

res_extend <- DT[, {
  group_sum <- lapply(.SD, sum)
  group_n <- .N
  group_mean <- lapply(group_sum, `/`, group_n)
  out_mean <- Map(function(total_s, group_s) (total_s - group_s)/(total_n - group_n), total_sum, group_sum)
  ratio_val <- Map(`/`, group_mean, out_mean)
  
  c(
    setNames(group_mean, paste0(calc_cols, "_组内均值")),
    setNames(out_mean, paste0(calc_cols, "_组外均值")),
    setNames(ratio_val, paste0(calc_cols, "_比值"))
  )
}, by = group_cols, .SDcols = calc_cols]

示例数据中A和C的组合没有重复值，因此每组的组内B均值就是该行B的原始值，组外均值为剩余5行B列的均值，直接计算比值即可。

把上述逻辑封装成可复用函数，传入数据集、分组列向量、待计算列向量即可直接输出结果，支持任意数量的分组列、待计算列：

calc_group_excl_ratio <- function(DT, group_cols, calc_cols) {
  # 简单入参校验
  miss_cols <- setdiff(c(group_cols, calc_cols), names(DT))
  if (length(miss_cols) > 0) stop("以下列不存在于输入数据集中：", paste(miss_cols, collapse = ", "))
  
  # 全表统计值预计算
  total_sum <- DT[, lapply(.SD, sum), .SDcols = calc_cols]
  total_n <- nrow(DT)
  
  # 分组计算
  res <- DT[, {
    group_sum <- lapply(.SD, sum)
    group_n <- .N
    group_mean <- lapply(group_sum, `/`, group_n)
    out_mean <- Map(function(ts, gs) (ts - gs)/(total_n - group_n), total_sum, group_sum)
    ratio_val <- Map(`/`, group_mean, out_mean)
    
    c(
      setNames(group_mean, paste0(calc_cols, "_group_mean")),
      setNames(out_mean, paste0(calc_cols, "_out_mean")),
      setNames(ratio_val, paste0(calc_cols, "_ratio"))
    )
  }, by = group_cols, .SDcols = calc_cols]
  
  return(res)
}

调用示例：

# 基础场景调用
calc_group_excl_ratio(DT, group_cols = "A", calc_cols = c("B", "C"))

# 双列分组场景调用
calc_group_excl_ratio(DT, group_cols = c("A", "C"), calc_cols = "B")

注意：如果分组后仅存在1个唯一分组，排除当前组后没有剩余样本，此时组外均值会返回NaN，对应比值也为NaN，属于正常计算结果。

内容的提问来源于stack exchange，提问作者suprvisr