如何在dplyr中计算考虑bin观测占比偏差的加权平均值？

当然可以！你提到的个别bin（比如[40-49]）观测值占比偏高的问题，刚好可以通过加权平均值来修正——核心思路就是用每个bin的count（样本量）作为权重，让样本量越大的bin对整体平均值的影响更合理，避免小样本组的极端比例干扰结果。

具体实现步骤 #

1. 保留你已经计算好的prop（每个bin的观测比例）
2. 使用dplyr::summarize()结合weighted.mean()函数，以count为权重计算加权平均

完整代码示例 #

library(tidyverse)

# 你的原始数据框
df <- tibble::tribble(
  ~bin, ~count, ~values,
  "[5-39]", 4884, 50,
  "[40-49]", 10557, 81,
  "[50-59]", 6327, 33,
  "[60-69]", 1509, 10,
  "[70-79]", 137, 2
)

# 计算比例 + 加权平均值
df_result <- df %>%
  mutate(prop = values / count) %>%
  summarize(
    # 用weighted.mean直接计算
    weighted_avg_prop = weighted.mean(prop, w = count),
    # 手动验证（和上面结果完全一致）
    weighted_avg_prop_manual = sum(prop * count) / sum(count)
  )

# 查看结果
print(df_result)

结果说明 #

运行后你会得到两个几乎完全相同的结果（浮点精度差异可忽略），这是因为weighted.mean(x, w)的底层逻辑就是sum(x * w) / sum(w)——本质就是用每个bin的样本量加权，让大样本组的比例在整体中占据更符合实际的权重，完美解决你提到的偏差问题。

内容的提问来源于stack exchange，提问作者chopin_is_the_best