如何高效统计数据集中15个虚拟变量的组合出现频率？

架构老林

2026-5-19

嘿，这个需求我太懂了！手动给每个组合建变量简直是给自己找罪受——15个虚拟变量的组合数可是天文数字，完全没必要这么干。下面给你几个不同工具栈的高效实现方案，挑你顺手的用就行：

R 实现（用dplyr）

这应该是最简洁的方式了，直接用group_by批量选中所有虚拟变量列，然后统计每组的频次：

library(dplyr)

# 假设你的数据集叫df
freq_result <- df %>%
  # 一次性选中Var1到Var15所有列
  group_by(across(Var1:Var15)) %>%
  # 统计每组的出现次数，同时清理分组信息
  summarize(count = n(), .groups = "drop")

如果你觉得列名范围写死不够灵活，还可以用starts_with("Var")来匹配所有以Var开头的列，比如group_by(across(starts_with("Var")))，这样哪怕后续变量数量变了也不用改代码。

Python 实现（用Pandas）

Pandas的groupby同样能搞定，而且写法也很清爽：

import pandas as pd

# 假设你的数据集叫df
# 先选中所有虚拟变量列（排除ID列）
var_columns = [col for col in df.columns if col.startswith("Var")]

# 分组统计频次，转成清晰的表格格式
freq_result = df.groupby(var_columns).size().reset_index(name="count")

要是想把组合转换成你示例里的字符串格式（比如"1000"），可以多加一步把每行的0/1拼接起来，再统计频次：

# 把每行的虚拟变量拼接成二进制字符串
df["combination"] = df[var_columns].astype(str).agg("".join, axis=1)
# 统计每个字符串组合的频次
freq_result = df["combination"].value_counts().reset_index(name="count").rename(columns={"index": "combination"})

这样得到的结果里，combination列就是你熟悉的"1000""1001"这种格式，查看起来特别直观。