如何在dplyr中结合group_by实现均值、求和及有效样本量统计

解决方法 #

你可以直接在across的函数列表中新增有效样本量的计算逻辑即可，R中统计非NA值的数量可通过sum(!is.na(列名))实现，修改后的代码如下：

df <- df %>%
  group_by(Year, `School Name`) %>% 
  summarise(
    across(where(is.numeric), 
           .f = list(
             mean = ~mean(.x, na.rm = TRUE),
             valid_n = ~sum(!is.na(.x))
           ))
  )

代码说明

• 用where(is.numeric)限定仅对数值列做计算，避免分组用的年份、学校名字段被错误处理
• 每个得分列会生成两个结果列：后缀为_mean的是平均得分，后缀为_valid_n的是计算该均值时用到的有效样本量（即该列在分组内非NA的数值个数）
• 不要直接用n()统计样本量，n()返回的是分组内的总记录数，不会排除对应列是NA的记录，不符合有效样本量的统计需求

如果你需要统计分组内至少有一门成绩非NA的学生总数，可以在summarise中额外新增计算逻辑：

df <- df %>%
  group_by(Year, `School Name`) %>% 
  summarise(
    across(where(is.numeric), 
           .f = list(
             mean = ~mean(.x, na.rm = TRUE),
             valid_n = ~sum(!is.na(.x))
           )),
    # 统计至少有一个得分非NA的学生总数
    total_valid_stu = sum(if_all(starts_with("Student Score"), ~!is.na(.x)))
  )

内容的提问来源于stack exchange，提问作者vpatel