R 语言：如何计算每年每个行业内，小于该企业对应值的所有企业的均值

今天有个小伙伴问了这样一个问题：

如何计算每年每个行业内，小于该企业对应值的所有企业的均值？

这个问题可以这样解决，我准备了一个示例数据：

library(tidyverse)
haven::read_dta("data.dta") -> df

df

#> # A tibble: 110 × 4
#>     年份 企业名称                     行业门类名称 工业总产值_当年价格千元
#>    <dbl> <chr>                        <chr>                          <dbl>
#>  1  1998 上海天厨氨基酸厂             制造业                          1790
#>  2  1998 下蜀房地产开发公司预制厂     制造业                          6214
#>  3  1998 北流市国马水泥厂             制造业                          6954
#>  4  1998 四川省什邡建川实业总公司     制造业                         27575
#>  5  1998 环城环玉粘合剂厂             制造业                         20160
#>  6  1998 邗江县头桥金属家具厂         制造业                         10080
#>  7  1998 北京市怀柔县崎峰茶黄金采选厂 采掘业                         11176
#>  8  1999 地方国营宁波针织衫厂         制造业                        145982
#>  9  1999 永泰县食品厂                 制造业                           261
#> 10  1999 津宝梅丝饮品有限公司         制造业                          5630
#> # ℹ 100 more rows

假如这里我们想计算每年每个行业内，小于每个企业的工业总产值_当年价格千元值的企业均值。由于 工业总产值_当年价格千元 变量可能有相同的（这个示例数据中没有），所以我们先去除重复的：

df %>%
  # 去除重复值
  distinct(年份, 行业门类名称, 工业总产值_当年价格千元)

#> # A tibble: 110 × 3
#>     年份 行业门类名称 工业总产值_当年价格千元
#>    <dbl> <chr>                          <dbl>
#>  1  1998 制造业                          1790
#>  2  1998 制造业                          6214
#>  3  1998 制造业                          6954
#>  4  1998 制造业                         27575
#>  5  1998 制造业                         20160
#>  6  1998 制造业                         10080
#>  7  1998 采掘业                         11176
#>  8  1999 制造业                        145982
#>  9  1999 制造业                           261
#> 10  1999 制造业                          5630
#> # ℹ 100 more rows

然后我们把数据按照 年份, 行业门类名称, 工业总产值_当年价格千元 排序：

df %>%
  distinct(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  arrange(年份, 行业门类名称, 工业总产值_当年价格千元)
#> # A tibble: 110 × 3
#>     年份 行业门类名称 工业总产值_当年价格千元
#>    <dbl> <chr>                          <dbl>
#>  1  1998 制造业                          1790
#>  2  1998 制造业                          6214
#>  3  1998 制造业                          6954
#>  4  1998 制造业                         10080
#>  5  1998 制造业                         20160
#>  6  1998 制造业                         27575
#>  7  1998 采掘业                         11176
#>  8  1999 制造业                           261
#>  9  1999 制造业                          5630
#> 10  1999 制造业                         46700
#> # ℹ 100 more rows

这样，工业总产值 变量就是从小到大的顺序排列了，然后计算累加：

df %>%
  # 去除重复值
  distinct(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  arrange(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  # 计算累加
  group_by(年份, 行业门类名称) %>%
  mutate(sum = cumsum(工业总产值_当年价格千元))
#> # A tibble: 110 × 4
#> # Groups:   年份, 行业门类名称 [24]
#>     年份 行业门类名称 工业总产值_当年价格千元   sum
#>    <dbl> <chr>                          <dbl> <dbl>
#>  1  1998 制造业                          1790  1790
#>  2  1998 制造业                          6214  8004
#>  3  1998 制造业                          6954 14958
#>  4  1998 制造业                         10080 25038
#>  5  1998 制造业                         20160 45198
#>  6  1998 制造业                         27575 72773
#>  7  1998 采掘业                         11176 11176
#>  8  1999 制造业                           261   261
#>  9  1999 制造业                          5630  5891
#> 10  1999 制造业                         46700 52591
#> # ℹ 100 more rows

因为已经按照从小到大的顺序排列了，并且去除了重复值，所以累加值减去自身就是比自己小的值的总和了：

df %>%
  # 去除重复值
  distinct(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  arrange(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  # 计算累加
  group_by(年份, 行业门类名称) %>%
  mutate(sum = cumsum(工业总产值_当年价格千元) - 工业总产值_当年价格千元)
#> # A tibble: 110 × 4
#> # Groups:   年份, 行业门类名称 [24]
#>     年份 行业门类名称 工业总产值_当年价格千元   sum
#>    <dbl> <chr>                          <dbl> <dbl>
#>  1  1998 制造业                          1790     0
#>  2  1998 制造业                          6214  1790
#>  3  1998 制造业                          6954  8004
#>  4  1998 制造业                         10080 14958
#>  5  1998 制造业                         20160 25038
#>  6  1998 制造业                         27575 45198
#>  7  1998 采掘业                         11176     0
#>  8  1999 制造业                           261     0
#>  9  1999 制造业                          5630   261
#> 10  1999 制造业                         46700  5891
#> # ℹ 100 more rows

然后除以对应的数量就是要求的均值了：

df %>%
  # 去除重复值
  distinct(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  arrange(年份, 行业门类名称, 工业总产值_当年价格千元) %>%
  # 计算累加
  group_by(年份, 行业门类名称) %>%
  mutate(sum = cumsum(工业总产值_当年价格千元) - 工业总产值_当年价格千元,
         n = 1:n() - 1,
         smallmean = sum / n) %>%
  select(-sum, -sum, -n) -> df1

df1

#> # A tibble: 110 × 4
#> # Groups:   年份, 行业门类名称 [24]
#>     年份 行业门类名称 工业总产值_当年价格千元 smallmean
#>    <dbl> <chr>                          <dbl>     <dbl>
#>  1  1998 制造业                          1790      NaN
#>  2  1998 制造业                          6214     1790
#>  3  1998 制造业                          6954     4002
#>  4  1998 制造业                         10080     4986
#>  5  1998 制造业                         20160     6260.
#>  6  1998 制造业                         27575     9040.
#>  7  1998 采掘业                         11176      NaN
#>  8  1999 制造业                           261      NaN
#>  9  1999 制造业                          5630      261
#> 10  1999 制造业                         46700     2946.
#> # ℹ 100 more rows

最后再把 df1 和 df 合并起来即可：

df %>%
  left_join(df1) -> dfr

dfr
#> # A tibble: 110 × 5
#>     年份 企业名称                  行业门类名称 工业总产值_当年价格…¹ smallmean
#>    <dbl> <chr>                     <chr>                        <dbl>     <dbl>
#>  1  1998 上海天厨氨基酸厂          制造业                        1790      NaN
#>  2  1998 下蜀房地产开发公司预制厂  制造业                        6214     1790
#>  3  1998 北流市国马水泥厂          制造业                        6954     4002
#>  4  1998 四川省什邡建川实业总公司  制造业                       27575     9040.
#>  5  1998 环城环玉粘合剂厂          制造业                       20160     6260.
#>  6  1998 邗江县头桥金属家具厂      制造业                       10080     4986
#>  7  1998 北京市怀柔县崎峰茶黄金采… 采掘业                       11176      NaN
#>  8  1999 地方国营宁波针织衫厂      制造业                      145982    17530.
#>  9  1999 永泰县食品厂              制造业                         261      NaN
#> 10  1999 津宝梅丝饮品有限公司      制造业                        5630      261
#> # ℹ 100 more rows
#> # ℹ abbreviated name: ¹工业总产值_当年价格千元

点击这里跳转到 RStata 短书平台获取附件：R 语言：如何计算每年每个行业内，小于该企业对应值的所有企业的均值