如何更优雅地对R语言数据框执行group_by操作，统计每日Folder功能使用用户数

方案说明 #

你原有实现的核心问题是标记赋值逻辑颠倒：df1内的用户是100%确认使用过Folder功能，对应标记应该设为1，df2内用户无法确认对应标记设为0，否则最终统计结果不符合业务需求。
以下是更简洁高效的实现方案：

1. tidyverse 方案（逻辑清晰易读）

library(dplyr)

# 原始样例数据
df1 <- data.frame(Date=c("2021-05-12","2021-05-15","2021-05-20"),user_ID=c("RZ625","TDH65","EJ7336"))
df2 <- data.frame(Date=c("2021-05-12","2021-05-15","2021-05-22"),user_ID=c("IZ823","TDH65","SI826"))

# 统计代码
final_df <- bind_rows(
  df1 %>% mutate(is_confirmed = 1),
  df2 %>% mutate(is_confirmed = 0)
) %>%
  # 按日期+用户去重，只要有一条确认记录就算使用过
  group_by(Date, user_ID) %>%
  summarise(is_confirmed = max(is_confirmed), .groups = "drop") %>%
  # 按日期统计确认使用的用户数
  group_by(Date) %>%
  summarise(Nb_Users_Folder_True = sum(is_confirmed), .groups = "drop")

运行后得到的结果符合预期：

2. data.table 方案（适合大数据量，性能更高）

如果你的数据量在百万级以上，推荐用data.table实现，运算速度会快很多：

library(data.table)

# 转换为data.table格式
setDT(df1)
setDT(df2)

final_dt <- rbind(
  df1[, is_confirmed := 1],
  df2[, is_confirmed := 0]
)[, .(is_confirmed = max(is_confirmed)), by = .(Date, user_ID)
  ][, .(Nb_Users_Folder_True = sum(is_confirmed)), by = Date]

方案优势 #

• 逻辑符合业务规则：明确区分两个表的确认属性，用max判断用户当日是否有确认使用记录，避免赋值错误
• 代码简洁：无需提前修改原始表结构，通过管道/链式操作一气呵成
• 性能优异：都是向量化的分组运算，尤其是data.table方案适合大规模数据场景

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