在R语言中计算满足双分组条件且符合筛选规则的数据集均值

需求说明 #

你需要实现的是按year和book_id两个字段分组，过滤2018年数据后计算users_read字段的均值，对应SQL逻辑如下：

Select year, book_id, avg(users_read)
From 表名
Where year = 2018 
Group by year, book_id

实现方案 #

方案1：使用R基础包aggregate函数（无需安装额外包） #

# 替换df为你的实际数据集名称
# 第一步：过滤2018年数据
df_2018 <- df[df$year == 2018, ]
# 第二步：双字段分组计算均值
result <- aggregate(users_read ~ year + book_id, data = df_2018, FUN = mean)
# 可选：重命名列匹配你需要的输出格式
colnames(result)[3] <- "avg(users_read)"

输出结果默认就是三列结构化数据框，和你要求的表格格式一致。

方案2：使用dplyr包（语法更贴近SQL，易读性高） #

# 未安装的话先运行 install.packages("dplyr")
library(dplyr)

result <- df %>%
  filter(year == 2018) %>% # 过滤2018年数据
  group_by(year, book_id) %>% # 指定分组字段
  summarise(`avg(users_read)` = mean(users_read), .groups = "drop") # 计算均值并自动解除分组

补充：你提到的tapply也支持多索引分组 #

tapply的INDEX参数可以传入列表来指定多个分组维度，只是返回结果默认是矩阵格式，需要额外转换为数据框：

df_2018 <- df[df$year == 2018, ]
# 多索引分组计算
tapply_res <- tapply(df_2018$users_read, INDEX = list(df_2018$year, df_2018$book_id), FUN = mean)
# 转换为结构化数据框
result <- as.data.frame(as.table(tapply_res), responseName = "avg(users_read)")
# 重命名维度列
colnames(result)[1:2] <- c("year", "book_id")

内容的提问来源于stack exchange，提问作者TAllen