dplyr summarise函数未返回预期结果，seq=2行字段全为NA求解答

原始代码 #

d <- data.frame(seq=c(0,0,1,1,2,2,2),
            kdt=c('2023-01-30','2023-01-30','2023-04-04','2023-04-04','2023-06-01',
                  '2023-06-04','2023-   06-04'),
            ldt=c('2023-01-30','2023-01-30','2023-04-04','2023-04-04','2023-06-01',NA,NA),
            l=c(11,15,22,17,NA,34,22),
            r=c('A','A','B','B','C',NA,NA))

ds <- d %>% 
   group_by(seq) %>% 
   summarise(mkdt=max(kdt),mldt=max(ldt),sl=sum(l),mr=max(r))

问题原因 #

seq=2分组返回全NA的核心原因是R语言基础聚合函数默认不忽略NA值：

• sum(l)：seq=2的l列包含NA，默认sum遇到NA直接返回NA，不会自动跳过NA计算有效数值的和
• max(ldt)和max(r)：这两列在seq=2分组里都存在NA，默认max函数只要遇到NA就返回NA，不会取非NA值的最大值
• 额外注意：kdt列里的'2023- 06-04'包含多余空格，会导致日期字符串排序异常，建议提前清理

修正后的代码 #

library(dplyr)
library(stringr)

d <- data.frame(seq=c(0,0,1,1,2,2,2),
            kdt=c('2023-01-30','2023-01-30','2023-04-04','2023-04-04','2023-06-01',
                  '2023-06-04','2023-   06-04'),
            ldt=c('2023-01-30','2023-01-30','2023-04-04','2023-04-04','2023-06-01',NA,NA),
            l=c(11,15,22,17,NA,34,22),
            r=c('A','A','B','B','C',NA,NA)) %>%
  # 清理kdt列的多余空格
  mutate(kdt = str_trim(kdt))

ds <- d %>% 
   group_by(seq) %>% 
   summarise(
     mkdt=max(kdt, na.rm=TRUE),
     mldt=max(ldt, na.rm=TRUE),
     sl=sum(l, na.rm=TRUE),
     mr=max(r, na.rm=TRUE)
   )

修正后结果 #

seq=2分组会得到预期值：

• mldt: '2023-06-01'
• mr: 'C'
• sl: 56

内容的提问来源于stack exchange，提问作者Ya Huang