基于data.table统计学生考试科目数：处理双强度科目计数问题

我刚好处理过类似的场景，咱们一步步来搞定这个问题。首先得明确核心需求：原来的num_subjects是直接数非NA的列数，但双强度科目会用两个成绩列（比如Physics_1和Physics_2）来标识——这时候不管这两个列有没有成绩，只要属于同一门科目的双强度修读，都只能算1门，而不是2门。

先模拟一份测试数据 #

咱们先造个符合场景的data.table，方便后续演示：

library(data.table)
# 模拟数据：StudentID是学生ID，Math/English是普通科目，Physics/Biology是双强度科目（带_1/_2后缀）
dt <- data.table(
  StudentID = c(1, 2, 3),
  Math = c(85, NA, 90),
  Physics_1 = c(78, 82, NA),
  Physics_2 = c(81, 85, NA),
  English = c(92, 88, 79),
  Biology_1 = c(NA, 75, 80),
  Biology_2 = c(NA, 77, NA)
)

方法一：行级处理（适合小数据集） #

这种方法直接在原表上操作，对每行数据按科目组统计：

# 第一步：提取科目组名称（去掉双强度科目的后缀，比如把Physics_1/Physics_2统一为Physics）
subject_groups <- gsub("_\\d+$", "", names(dt)[-1]) # 排除StudentID列，用正则去掉末尾的_1/_2

# 第二步：对每行计算正确的科目数
dt[, num_subjects_corrected := sapply(.SD, function(row) {
  # 把当前行的成绩按科目组分组
  grouped_scores <- split(row, subject_groups)
  # 统计每个组里是否至少有一个非NA成绩，然后求和
  sum(sapply(grouped_scores, function(group) any(!is.na(group))))
}), .SDcols = -"StudentID"]

方法二：转长格式聚合（适合大数据集，更高效） #

如果你的数据集很大，行级循环效率不高，推荐用melt+dcast的方式：

# 1. 把宽表转长表，方便按科目组聚合
dt_long <- melt(dt, id.vars = "StudentID", variable.name = "Subject", value.name = "Score")

# 2. 给每个科目分配对应的科目组
dt_long[, Subject_Group := gsub("_\\d+$", "", Subject)]

# 3. 按学生+科目组，标记该学生是否修读了这门科目（只要有一个成绩就算）
dt_long[, has_enrolled := any(!is.na(Score)), by = .(StudentID, Subject_Group)]

# 4. 转回宽表，统计每个学生的修读科目数
dt_corrected <- dcast(dt_long, StudentID ~ ., fun.aggregate = sum, value.var = "has_enrolled")
setnames(dt_corrected, ".", "num_subjects_corrected")

# 5. 把统计结果合并回原表
dt <- dt[dt_corrected, on = "StudentID"]

自定义规则适配 #

如果你的双强度科目不是用_1/_2标识的（比如列名带_Double后缀），只需要调整正则表达式就行。比如如果是Physics_Double这种格式，就把gsub("_\\d+$", "", ...)改成gsub("_Double$", "", ...)，根据实际的命名规则灵活调整。

运行完上面的代码，你就能得到修正后的num_subjects_corrected字段，准确统计每个学生实际修读的科目数啦！

内容的提问来源于stack exchange，提问作者newruser