在RMarkdown中统计数据框组合频次的高效可扩展方法问询

当然有更简洁、扩展性更强的实现方式！你手动逐个统计每个因子组合的方法，在类别数量变多的时候确实会非常繁琐，维护起来也很麻烦。下面给你几个R中常用的高效方案，完美适配多因子组合的场景：

1. 基础R：table() 函数（最直接） #

一行代码就能生成所有组合的频数 contingency table，完全不需要手动拆分子集：

# 生成频数表
freq_table <- table(df$state, df$type)
# 查看结果
freq_table

在RMarkdown中展示时，用knitr::kable()可以自动生成美观的格式化表格，不用手动写每个单元格的变量：

knitr::kable(freq_table, 
             col.names = c("A", "B"), 
             row.names = c("Up", "Down"), 
             caption = "State vs Type 频数统计")

2. Tidyverse 风格：dplyr + tidyr（灵活易扩展） #

如果你习惯tidy数据风格，用dplyr::count()统计频数，再用tidyr::pivot_wider()转成宽表格式，后续还能方便地进行其他数据处理：

library(dplyr)
library(tidyr)

# 统计频数并转宽表，缺失的组合自动填0
freq_df <- df %>%
  count(state, type) %>%
  pivot_wider(names_from = type, values_from = n, values_fill = 0)

# 在RMarkdown中展示
knitr::kable(freq_df, caption = "State vs Type 频数统计")

3. 基础R：xtabs() 函数（公式风格） #

和table()类似，但用公式语法更直观，适合习惯公式表达的场景：

freq_xtabs <- xtabs(~ state + type, data = df)
knitr::kable(freq_xtabs, caption = "State vs Type 频数统计")

这些方法的核心优势是自动适配所有因子水平——不管你的state或type新增多少个类别，都不需要修改代码，完全避免了手动逐个统计的繁琐，扩展性拉满！

内容的提问来源于stack exchange，提问作者Marc P