使用dplyr按组统计后添加子组计数的技术实现问题

最近我碰到了一个需求：用dplyr做分组统计后，给每个子组的因子级别新增对应列来展示计数，同时还要保留分组后的各类统计指标（比如均值、标准差这些）。试了好几种方法都踩坑了，后来在@Akrun的帮助下解决了，把过程和方案分享给大家：

我需要实现的效果是：对主分组（比如性别sexo）做基础统计后，为每个子组级别（比如学历Escolaridade）单独生成一列，展示该子组在主分组内的计数，同时避免代码冗余，不需要用到gather函数。

一开始我直接用group_by加summarise，虽然接近目标，但出现了输出重复的问题：

descritivos %>% group_by(sexo) %>% summarise(n=n(),Idade_media = mean(idade, na.rm=T), idade_sd=sd(idade, na.rm=T), qtde_sexo = n(), Proporção_sexo = n()/nrow(.), Pontuação_media=mean(total), pontuacao_sd=sd(total), n_unique = n_distinct(Escolaridade))

后来尝试结合group_by和spread来转置子组列，但输出完全不符合预期：

descritivos %>% group_by(sexo, Escolaridade) %>% summarise(n=n(),Idade_media = mean(idade, na.rm=T), idade_sd=sd(idade, na.rm=T), qtde_sexo = n(), Proporção_sexo = n()/nrow(.), Pontuação_media=mean(total), pontuacao_sd=sd(total), n_unique = n_distinct(Escolaridade)) %>% spread(Escolaridade, n) spread(count(Escolaridade), n, fill=0)

为了方便测试，我准备了复现数据：

library(tidyverse)
ds <- data.frame(sex=c(0,1), schooling=c("k12","high","college","university"), age=rnorm(mean=20,sd=2, n=40))
ds %>% group_by(sex, schooling) %>% summarise(mean(age), n=n()) %>% spread(schooling, n)
ds %>% group_by(sex, schooling) %>% summarise(n()) %>% t()

核心思路是嵌套分组：先按主分组字段分组，再用add=TRUE参数保留主分组的同时，加入子组字段和需要保留的统计指标，最后用spread将子组级别转为列。

针对实际数据集的可行代码 #

descritivos %>% 
  group_by(sexo) %>% 
  group_by(Escolaridade, 
           Idade_media = mean(idade, na.rm=T), 
           idade_sd=sd(idade, na.rm=T), 
           qtde_sexo = n(), 
           Proporção_sexo = n()/nrow(.), 
           Pontuação_media=mean(total), 
           pontuacao_sd=sd(total), 
           add=TRUE) %>% 
  summarise(n=n()) %>% 
  spread(Escolaridade, n)

针对复现数据集的可行代码 #

ds %>% 
  group_by(sex) %>% 
  group_by(schooling = paste0("school", schooling), 
           Mean = mean(age), 
           ndist = n_distinct(schooling), 
           add = TRUE) %>% 
  summarise(n = n()) %>% 
  spread(schooling, n)

这个方法既保留了所有需要的统计指标，又把每个子组级别转为了单独的列，完全符合预期，而且代码简洁不需要额外的gather操作。

内容的提问来源于stack exchange，提问作者Luis