高效计算数据框中各样本测量值相对其父组的占比

嘿，我来帮你搞定这个需求！你需要计算每个id的100项测量值，分别占其所属parent.id组内对应测量项总和的比例，对吧？这里有两种高效的实现方式，兼顾可读性和处理速度：

方法1：用dplyr（语法直观，适合大多数场景） #

dplyr的across函数可以方便地对多列批量处理，搭配分组操作就能快速得到结果：

library(dplyr)

# 定义测量列的范围（前100列）
measure_cols <- 1:100

# 计算比例，直接替换原测量列（如果想保留原列，看下面的变体）
df_proportions <- df %>%
  group_by(parent.id) %>%
  # 对每个测量列，计算值/组内该列总和，na.rm处理缺失值
  mutate(across(all_of(measure_cols), ~ .x / sum(.x, na.rm = TRUE))) %>%
  ungroup()

变体：保留原列，生成新的比例列 #

如果你不想覆盖原测量数据，可以用.names参数生成带后缀的新列：

df_proportions <- df %>%
  group_by(parent.id) %>%
  mutate(across(all_of(measure_cols), 
                ~ .x / sum(.x, na.rm = TRUE), 
                .names = "{col}_prop")) %>%  # 新列名如V1_prop、V2_prop
  ungroup()

方法2：用data.table（大数据集下速度更快） #

如果你的数据量很大（比如百万级行数），data.table的分组运算效率会更高：

library(data.table)

# 把data.frame转换为data.table格式
setDT(df)
# 获取测量列的列名
measure_cols <- names(df)[1:100]

# 直接在原数据上更新测量列为比例值
df[, (measure_cols) := lapply(.SD, function(x) x / sum(x, na.rm = TRUE)), 
   by = parent.id,  # 按parent.id分组
   .SDcols = measure_cols]  # 指定要处理的列

验证结果 #

可以简单验证一下计算是否正确，比如取parent.id为某个值的组，检查某列的比例是否符合预期：

# 以parent.id="a"的V1列为例
sum_a_v1 <- df[parent.id == "a", sum(V1)]
# 取其中一个受试者的V1值除以组总和
df[parent.id == "a" & id == "A", V1] / sum_a_v1
# 对比计算后的结果（如果用data.table方法，直接看df里的对应值）
df[parent.id == "a" & id == "A", V1]

这两种方法都能高效完成你的需求，dplyr更易读，data.table在大数据场景下优势明显，你可以根据自己的数据规模选择~

内容的提问来源于stack exchange，提问作者user1701545