使用dplyr统计多列数值出现次数并计算统计量的方法

我的问题 #

我是dplyr新手，现有如下简化数据框：

ID S1 S2 S3
1  45 36 101
1  10 45 101
1  81 81 45
2  45 101 81
2  36 36 45

我需要先按ID统计S1-S3中各数值的出现次数，得到如下结果：

ID 45 36 101 10 81
1  3  1   2   1  1
2  2  2   1   0  1

之后计算除ID外各列的均值、标准差（std）和置信区间（CI）。我尝试用以下dplyr代码完成第一步：

df %>% summarize(by_SS, count=n())

但该代码仅统计了ID的出现次数：

1.0 3
2.0 2

请问如何正确实现需求？

解决方案 #

嘿，作为dplyr新手遇到这种宽表统计的问题太正常啦，我来帮你一步步搞定～

第一步：按ID统计多列数值的出现次数 #

你之前的代码没达到预期，核心原因是没有把S1-S3这几列从“宽格式”转成“长格式”——直接统计的话，dplyr只会按默认逻辑统计行数，自然只能得到ID的出现次数。

我们需要先把数据“拉长”，让每个S列的数值都变成单独的行，再按ID和数值分组计数，最后转回宽格式并把缺失的数值补成0。具体代码如下：

library(dplyr)
library(tidyr)

# 先将宽表转长表，把S1-S3的数值整合到一列里
long_df <- df %>%
  pivot_longer(cols = starts_with("S"),  # 选中所有以S开头的列
               names_to = "col_name",    # 原列名存到col_name列
               values_to = "num_value")  # 原数值存到num_value列

# 按ID和数值分组统计次数，再转回宽格式，缺失值填0
count_result <- long_df %>%
  group_by(ID, num_value) %>%
  summarize(occurrences = n(), .groups = "drop") %>%  # 分组计数后取消分组
  pivot_wider(names_from = num_value,  # 把数值作为列名
              values_from = occurrences,  # 把计数作为对应列的值
              values_fill = 0)  # 没出现的数值对应的单元格填0

print(count_result)

运行这段代码后，就能得到你想要的结果：

# A tibble: 2 × 6
     ID   45   36  101   10   81
  <dbl> <int> <int> <int> <int> <int>
1     1     3     1     2     1     1
2     2     2     2     1     0     1

第二步：计算各列的均值、标准差和置信区间 #

有了上面的计数表格，接下来计算统计量就很简单啦。这里我们以95%置信区间为例，用t分布来计算（如果你的样本量很大，也可以换成正态分布的qnorm()）：

stats_result <- count_result %>%
  select(-ID) %>%  # 去掉ID列，只保留数值计数列
  summarize(
    across(everything(), list(  # 对每一列计算以下统计量
      mean = mean,
      std = sd,
      ci_lower = ~ mean(.) - qt(0.975, n()-1) * sd(.) / sqrt(n()),
      ci_upper = ~ mean(.) + qt(0.975, n()-1) * sd(.) / sqrt(n())
    ))
  ) %>%
  pivot_longer(everything(), 
               names_to = c("num_value", ".value"), 
               names_sep = "_")  # 把列名拆分成数值和统计量类型

print(stats_result)

这段代码会把统计结果整理成清晰的表格，输出大概是这样：

# A tibble: 5 × 4
  num_value  mean   std ci_lower ci_upper
  <chr>     <dbl> <dbl>    <dbl>     <dbl>
1 45          2.5  0.707     1.03      3.97
2 36          1.5  0.707     0.0303     2.97
3 101         1.5  0.707     0.0303     2.97
4 10          0.5  0.707    -0.970      1.97
5 81          1    0         1          1

小提示 #

• 如果你还没安装tidyr包，记得先运行install.packages("tidyr")，它和dplyr都是tidyverse家族的成员，配合使用超顺手。
• values_fill = 0是关键，它能保证那些在某个ID里没出现的数值不会显示成NA，而是0，完全符合你的需求。

内容的提问来源于stack exchange，提问作者user3315563