R语言数据分组求均值时变量顺序致结果异常问题

我尝试按年份-技能组计算分组均值，但所有skilled==0的非技能组结果均为NAN，且每年均存在skilled==1和skilled==0的观测值。

初始代码（结果异常）：

wage_df <- df %>% 
  filter(!is.na(wage) & !is.na(skilled)) %>% 
  group_by(year) %>% 
  summarise(skilled = mean(wage[skilled == 1]),
            unskilled = mean(wage[skilled == 0]),
            total = sum(wage * wtsupp) / sum(wtsupp))

调换变量定义顺序后代码（结果正常）：

wage_df <- df %>% 
  filter(!is.na(wage) & !is.na(skilled)) %>% 
  group_by(year) %>% 
  summarise(unskilled = mean(wage[skilled == 0]),
            skilled = mean(wage[skilled == 1]),
            total = sum(wage * wtsupp) / sum(wtsupp))

原因分析 #

核心问题是**summarise中定义新变量时，如果变量名和原数据框的列名重复，后续计算会使用已经被覆盖的新值，而非原数据的原始列值**：

1. 在第一段异常代码中：

   • 第一步定义skilled = mean(wage[skilled == 1])时，用的还是原数据里的skilled列（0/1的分类变量），这一步计算是正确的。
   • 第二步计算unskilled = mean(wage[skilled == 0])时，skilled已经被替换成了前面算出的均值（一个单一数值，不再是原有的0/1分类），此时skilled == 0的判断完全不符合实际数据，自然筛选不出有效观测，最终返回NA。

2. 在调换顺序后的代码中：

   • 先计算unskilled，此时用的是原数据的skilled分类列，能正确筛选非技能组的薪资数据并计算均值。
   • 后续定义skilled时即使覆盖了原列，也不会影响已经完成的非技能组计算，所以结果正常。

解决建议 #

避免在summarise中使用和原数据列名相同的变量名，比如将统计结果重命名为带标识的名称，彻底规避顺序问题：

wage_df <- df %>% 
  filter(!is.na(wage) & !is.na(skilled)) %>% 
  group_by(year) %>% 
  summarise(skilled_mean = mean(wage[skilled == 1]),
            unskilled_mean = mean(wage[skilled == 0]),
            total = sum(wage * wtsupp) / sum(wtsupp))

内容的提问来源于stack exchange，提问作者Jianing Shao