使用dplyr进行分组汇总时如何为无值的类别填充0？

默认group_by()分组统计的逻辑是自动剔除无观测值的交叉分组，要补全所有年龄-教育水平的交叉配对、给空组合赋值0计数，常用两种落地方式：

方法1：count()搭配tidyr::complete()自动补全 #

这是最简洁的实现，不需要手动维护分类水平列表：

set.seed(2021)
age <- floor(runif(35, min = 20, max = 25))

data.frame(age = age) %>%
  mutate(education = sample(
    c("Low", "Mid-level", "High"), 
    size = nrow(.), 
    prob = c(0.55, 0.2, 0.25), 
    replace = TRUE
  )) %>%
  # 第一步：正常统计有观测的交叉组合计数
  count(age, education, name = "n") %>%
  # 第二步：补全所有年龄和教育水平的交叉组合，缺失位置的n值填0
  tidyr::complete(
    age, education,
    fill = list(n = 0)
  )

这个方法会自动提取数据中所有出现过的唯一age值、唯一education值做全量交叉，不会额外补充数据里完全不存在的取值，适配这个案例的离散年龄取值场景。

方法2：纯dplyr实现，利用因子分组的.drop = FALSE参数 #

如果不想依赖tidyr的函数，可以手动给分类变量设定全量水平，再关闭分组时自动丢空组的逻辑：

set.seed(2021)
age <- floor(runif(35, min = 20, max = 25))

data.frame(age = age) %>%
  mutate(
    education = sample(
      c("Low", "Mid-level", "High"), 
      size = nrow(.), 
      prob = c(0.55, 0.2, 0.25), 
      replace = TRUE
    ),
    # 必须提前把education转为因子，明确所有需要保留的水平
    education = factor(education, levels = c("Low", "Mid-level", "High"))
  ) %>%
  # 分组时设置.drop=FALSE，不丢弃没有观测的空分组
  group_by(age, education, .drop = FALSE) %>%
  summarise(n = n(), .groups = "drop")

常见踩坑点 #

• group_by()的.drop参数默认是TRUE，会自动剔除没有观测的分组，不手动设为FALSE的话，哪怕是因子变量也会丢失空组合
• 如果不把字符型的education转为带全量水平的因子，就算加了.drop = FALSE也无法补全缺失组合——字符型变量没有预先定义的“应存在但无观测”的水平规则
• 这个方法灵活性更强，如果需要补充数据中完全没出现过的取值（比如新增25岁年龄组的三类教育水平记录），只需要在factor()的levels参数里加上对应取值即可，不需要额外写补全逻辑
• 如果交叉用的变量是连续型数值（不是离散整数），用complete()会自动生成变量取值范围内的冗余连续值，这种场景下更推荐用方法2的固定水平方式，精准控制需要补全的组合范围。

内容的提问来源于stack exchange，提问作者johnny