R语言dplyr分组汇总后用mutate计算占比结果全为1如何解决

问题原因 #

• dplyr的summarize()执行后默认会丢弃最后一层分组变量，保留上层分组结构。示例代码先通过group_by(country, group)设置了两层分组，执行完summarize(cost=sum(cost))后，数据仍然保留了country层级的分组。
• 后续mutate计算sum(cost)时只会在当前country分组内求和，而每个country分组下只有1行数据，sum(cost)就等于当前行的cost值，因此最终share列全部为1。调换两个分组变量的顺序无法解决问题，因为无论顺序如何，summarize执行后都会保留一层分组，每组内仍只有1行数据。

修复方案 #

如果需要计算每行成本占全局总成本的比例，只需要在计算share前取消所有分组即可，有两种写法可选：

写法1：通过ungroup()主动取消分组 #

db %>% 
  group_by(country, group) %>% 
  summarize(cost = sum(cost)) %>%
  ungroup() %>% # 取消所有分组
  mutate(share = cost / sum(cost))

写法2：在summarize中直接指定丢弃分组 #

（仅适用于dplyr 1.0.0及以上版本）

db %>% 
  group_by(country, group) %>% 
  summarize(cost = sum(cost), .groups = "drop") %>% # 聚合后直接丢弃所有分组
  mutate(share = cost / sum(cost))

如果需要计算每个group下，不同国家的成本占该group总成本的比例，只需要在聚合后重新按group分组即可：

db %>% 
  group_by(country, group) %>% 
  summarize(cost = sum(cost), .groups = "drop") %>%
  group_by(group) %>% # 重新按group分组
  mutate(share = cost / sum(cost))

内容的提问来源于stack exchange，提问作者João Paulo