数据框重复行处理：计算每户教育年限均值及家庭人数

嗨，我来帮你搞定这个计算每户教育年限均值的需求！先说说你原来用by(df$person_number, df$home, max)的思路——这个方法其实有个小隐患：如果person_number不是从1开始的连续编号（比如某户成员编号是1、3，中间漏了2），那用max得到的数字就不等于实际家庭人数了。更稳妥的方式是直接统计每个家庭对应的观测行数，因为每一行就是一个家庭成员嘛～

下面给你几种靠谱的实现方式，按需选择：

方法1：用dplyr（代码简洁易读，推荐） #

如果你习惯tidyverse的工具，用dplyr可以一步完成分组统计：

library(dplyr)

# 按家庭分组，计算人数和教育年限均值
family_edu_summary <- df %>%
  group_by(home) %>%
  summarise(
    num_people = n(),  # n()直接返回每组的行数，也就是家庭人数
    avg_education_years = mean(education_year, na.rm = TRUE)  # 计算均值，自动跳过缺失值
  )

这里的na.rm = TRUE一定要加哦——如果某户有成员的教育年限数据缺失，不加这个参数的话，整户的均值会变成NA，影响后续分析。

方法2：用base R（无需额外安装包） #

要是你不想加载第三方包，用base R也能轻松实现：

方式A：一次计算两个指标 #

用aggregate函数可以同时统计人数和均值：

# 用aggregate分组计算
summary_result <- aggregate(
  cbind(count = education_year, avg_edu = education_year) ~ home,
  data = df,
  FUN = function(x) c(length(x), mean(x, na.rm = TRUE))
)
# 把结果整理成标准数据框格式
summary_result <- do.call(data.frame, summary_result)
names(summary_result) <- c("home", "num_people", "avg_education_years")

这里用length(x)统计每组的行数（也就是人数），比依赖person_number靠谱多了。

方式B：分步计算再合并 #

要是你想把“统计人数”和“计算均值”拆成两步，也可以这样：

# 第一步：统计每户人数，用table统计每个家庭出现的次数
home_count_table <- table(df$home)
# 把table转成数据框
home_count_df <- data.frame(
  home = names(home_count_table),
  num_people = as.numeric(home_count_table),
  stringsAsFactors = FALSE
)

# 第二步：计算每户教育年限均值
home_edu_avg_df <- aggregate(education_year ~ home, data = df, mean, na.rm = TRUE)

# 第三步：合并两个数据框
family_edu_summary <- merge(home_count_df, home_edu_avg_df, by = "home")

这种分步的方式更直观，适合新手理解每一步的逻辑。

不管你选哪种方法，最后得到的family_edu_summary数据框都会包含每个家庭的ID、家庭人数，以及对应的教育年限均值，完全满足你的需求～

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