R语言计算分箱数据中tag类别的相对占比并绘制堆叠条形图

核心实现逻辑 #

计算的核心要满足两个规则：

• 每个分箱内部独立计算占比，占比分母为当前分箱的总观测数
• 必须覆盖所有tag类别，分箱内不存在的tag占比记为0，不能遗漏

对照示例规则验证：10-20分箱共包含3条观测（b/c/d各1条，无a类tag），对应占比为a=0，b/c/d各约33.3%，和规则完全匹配。

代码实现 #

1. 基于tidyverse的计算版本 #

这是最常用的简洁实现，需要先安装加载对应包：

library(dplyr)
library(tidyr)
library(ggplot2)

# 获取所有存在的tag类别
all_tags <- unique(df$tag)

# 计算分箱内tag统计量
bin_tag_stats <- df %>%
  # 按分箱、tag维度计数
  count(bin, tag, name = "cnt") %>%
  # 补全所有分箱和tag的组合，缺失值计数填0
  complete(bin, tag, fill = list(cnt = 0)) %>%
  # 计算当前分箱内的相对百分比
  group_by(bin) %>%
  mutate(ratio = cnt / sum(cnt) * 100) %>%
  ungroup()

运行后查看10-20分箱的统计结果，和预期验证值完全一致。

2. 基础R无依赖版本 #

不需要加载第三方包也可实现相同结果：

# 生成所有分箱与tag的全组合
combo <- expand.grid(bin = levels(df$bin), tag = unique(df$tag))
# 统计每个组合对应的观测数量
combo$cnt <- mapply(function(b, t) sum(df$bin == b & df$tag == t), 
                    combo$bin, combo$tag)
# 统计每个分箱的总观测数
bin_total <- as.data.frame(table(df$bin))
names(bin_total) <- c("bin", "total")
# 合并计算占比
bin_tag_stats <- merge(combo, bin_total, by = "bin")
bin_tag_stats$ratio <- bin_tag_stats$cnt / bin_tag_stats$total * 100

堆叠条形图绘制 #

基于计算完成的统计结果，直接调用ggplot2绘制堆叠百分比条形图：

ggplot(bin_tag_stats, aes(x = bin, y = ratio, fill = tag)) +
  geom_col(position = "stack", color = "white") +
  # 在堆叠块中心添加占比标签
  geom_text(aes(label = paste0(round(ratio, 1), "%")),
            position = position_stack(vjust = 0.5), size = 3) +
  labs(x = "value值分箱", y = "分箱内tag占比(%)", fill = "tag类别") +
  theme_bw()

常见注意点 #

• 直接使用基础交叉表计算占比时，容易遗漏分箱下不存在的tag类别，导致分箱内占比总和不对，必须先补全所有分箱与tag的组合再开展计算
• 当前使用的cut()函数默认左开右闭规则，会将边界值（比如value=20、value=40）归入右侧区间，和示例验证的分箱划分逻辑完全匹配，不需要额外调整参数

内容的提问来源于stack exchange，提问作者Sphinx