如何根据使用 dplyr 的组上的聚合函数计算新列（在汇总统计信息上添加汇总统计信息）？

Posted 2023-02-15

【中文标题】如何根据使用 dplyr 的组上的聚合函数计算新列（在汇总统计信息上添加汇总统计信息）？

【英文标题】：How to calculate new column depending on aggregate function on group using dplyr (add summary statistics on the summary statistics)?

【发布时间】：2017-07-01 23:51:19

【问题描述】：

我经常需要为 R 数据框（长格式）计算一个新列，其值应取决于组的聚合函数（例如 sum）。例如，我可能想知道某天某产品在销售额中所占的比例：

daily fraction = revenue for product i on day d / sum or revenue for all products on day d

我目前的策略是总结加入：

library(dplyr)

join_summary <- function(data, ...) left_join(data, summarise(data, ...))

data = data.frame(
  day = c(1,1,2,2,3,3),
  product = rep(c("A", "B"), 3),
  revenue = c(2, 4, 8, 7, 9, 2)
)

data2 <- data %>%
  group_by(day) %>%
  join_summary(daily_revenue = sum(revenue)) %>%
  mutate(revenue_fraction = revenue / daily_revenue)

这可行，但我不确定它是否是反模式。在多行上重复相同的数据（每日收入）似乎有点低效，在我的数据框中乱扔聚合。我的问题是：

我目前的做法好吗？ 有没有更好的方法，最好使用 dplyr 或更广泛的 Hadleyverse 提供的工具？ 我真的需要我的自定义函数join_summary，还是可以使用现有的dplyr 动词来完成？ （不过，我更喜欢留在“管道流”中。）

【问题讨论】：

如果这是您想要的输出，mutate 似乎可以工作：data %>% group_by(day) %>% mutate(daily_revenue = sum(revenue), revenue_fraction = revenue / daily_revenue)。我会考虑将 daily_revenue 保持为一种反模式，如果有的话，它属于一天级别的某个单独的表（比如你的摘要表）。

这个问题是关于将每组统计数据（收入总和）加入原始数据帧，然后在汇总统计数据上计算汇总统计数据。因此，它与其他问题不同。

【参考方案1】：

除了使用summarise 进行聚合之外，您还可以使用mutate 将汇总统计信息分配给整列：

data %>% 
  group_by(day) %>% 
  mutate(
    daily_revenue = sum(revenue), 
    revenue_fraction = revenue / daily_revenue
  )

给了

Source: local data frame [6 x 5]
Groups: day [3]

    day product revenue daily_revenue revenue_fraction
  <dbl>  <fctr>   <dbl>         <dbl>            <dbl>
1     1       A       2             6        0.3333333
2     1       B       4             6        0.6666667
3     2       A       8            15        0.5333333
4     2       B       7            15        0.4666667
5     3       A       9            11        0.8181818
6     3       B       2            11        0.1818182

这是可行的，因为值 sum(revenue) 被回收以填充组中的所有行。

【讨论】：

我假设如果我只做revenue_fraction = revenue / sum(revenue)，R 将不够聪明，无法缓存sum 的结果并因此一遍又一遍地计算？

@Anders R 也在那里完成这项工作。 sum(revenue) 将被计算一次，然后 revenue / sum(revenue) 将被计算，分母循环使用以理解两个不同长度的向量的划分。