基于R tidyverse构建取值范围[-1,1]的两组异质性构成度量指数

核心设计逻辑 #

你需要的[-1, +1]区间的构成指数，本质是双类占比的带符号差值度量，完全不需要硬套Moran's I这类空间自相关指数（这类指数的设计目标是测相邻单元的相似性，和组内两类占比的符号指向场景无适配性）。
首先定义单个观测分组（即每个Group单元）的两个基础占比：

• $p_A$：组内A群体的样本占比，取值范围0~1
• $p_B$：组内B群体的样本占比，满足约束 $p_A + p_B =1$
  结合你明确的三个取值边界规则：
• 组内仅存在A群体：指数=-1
• 组内仅存在B群体：指数=+1
• 组内两类占比均等：指数=0
  可直接推导出最简线性计算公式：

composition_index = p_B - p_A
该公式的天然取值范围完全锁定在[-1, +1]区间，对三个边界场景的匹配度：

• 全A场景：$p_B=0, p_A=1$ → 指数=0-1=-1
• 全B场景：$p_B=1, p_A=0$ → 指数=1-0=1
• 均等场景：$p_B=0.5, p_A=0.5$ → 指数=0
  无任何计算偏差。

现有代码的核心问题修正 #

你之前基于Shannon改造的代码存在两个逻辑错误：

• 分组维度错误：将Group和Company同时作为分组键，导致每个Group的整体占比被拆分为独立行分别计算，根本无法得到组内两类的整体占比关系
• Shannon公式适用场景错误：传统Shannon指数是多类异质性的无量纲度量，本身无符号指向，强行拆分到单类行计算会出现无意义的负值输出

可直接运行的实现代码 #

library(tidyverse)
set.seed(100)
df <- tibble(Group = sample(c(1, 2, 3), 20, replace = T),
             Company = sample(c('A', 'B'), 20, replace = T))

group_composition_result <- df %>%
  # 按分组维度统计两类样本计数
  count(Group, Company, name = "sample_n") %>%
  # 计算组内总样本量、两类占比
  group_by(Group) %>%
  mutate(
    group_total = sum(sample_n),
    p_A = sum(sample_n[Company == "A"]) / group_total,
    p_B = sum(sample_n[Company == "B"]) / group_total
  ) %>%
  # 聚合到单个Group维度计算最终指数
  summarise(
    total_samples = first(group_total),
    share_A = first(p_A),
    share_B = first(p_B),
    composition_index = p_B - p_A,
    # 可选：同步保留无符号的异质性强度，范围0~1
    heterogeneity_strength = 1 - abs(composition_index)
  )

结果校验 #

基于内置随机种子跑出的计算结果为：

结果完全匹配取值规则：

• 指数为负代表组内A群体占比更高，绝对值越大偏离均等构成越远
• 指数为0代表两类占比完全均等
• 指数为正代表组内B群体占比更高，绝对值越大偏离均等构成越远
• 异质性强度值为1时代表完全混合，值为0时代表完全单一群体构成

内容的提问来源于stack exchange，提问作者DotPi