为何dplyr::summarise()中函数顺序会影响输出结果？

在dplyr::summarise()中使用多个函数时，函数顺序会直接影响输出结果。此前有观点认为只有当第一个函数修改了第二个函数操作的列时才会出现这种情况，但以下案例打破了这个认知：

示例数据中每个年份对应2行记录，若先计算各变量的缺失值数量，再用n()统计每年的行数，能得到正确的「每年2行」结果；但如果调换顺序，先统计行数再计算缺失值，输出的每年行数会变成0。

为什么会出现这种差异？如果确实是顺序处理机制导致的，能否在单次summarise()调用中将一个函数的输出作为另一个的输入？

示例代码 #

library(dplyr)   

# 示例数据：每年2行记录
df <- data.frame(var1 = rep(c(NA,NA,5),2),
                 var2 = rep(c(1,NA,2),2),
                 year = rep(1:3, 2))

# 方法1：先算缺失值，再算行数 → 结果正确（每年2行）
df %>%
  group_by(year) %>%
  summarise(across(everything(), ~ sum(is.na(.x))),
            rows_per_year = n())
#>    year  var1  var2 rows_per_year
#>   <int> <int> <int>         <int>
#> 1     1     2     0             2
#> 2     2     2     2             2
#> 3     3     0     0             2

# 方法2：先算行数，再算缺失值 → 结果错误（每年行数为0）
df %>%
  group_by(year) %>%
  summarise(rows_per_year = n(), 
            across(everything(), ~ sum(is.na(.x))))
#>    year rows_per_year  var1  var2
#>   <int>         <int> <int> <int>
#> 1     1             0     2     0
#> 2     2             0     2     2
#> 3     3             0     0     0

原因分析 #

问题核心在于across(everything())的行为和summarise()的顺序执行逻辑：

1. summarise()中的表达式按顺序执行，每一步生成的新列会加入当前数据源，供后续步骤使用。
2. across(everything())会遍历当前数据源中所有非分组键的列，包括之前步骤生成的新列。
3. 在方法2中：
   • 第一步rows_per_year = n()生成值为2的新列；
   • 第二步across(everything())会处理包括rows_per_year在内的所有列，计算sum(is.na(rows_per_year))（结果为0），并覆盖掉之前生成的rows_per_year列，最终输出0。
4. 而方法1中，across(everything())先处理原始的var1和var2（分组键year自动保留，不参与across计算），之后执行rows_per_year = n()基于原始分组行数，因此结果正确。

解决方案 #

1. 明确指定across()的作用列 #

避免across()处理新生成的列，直接指定要计算缺失值的原始列：

df %>%
  group_by(year) %>%
  summarise(rows_per_year = n(), 
            across(c(var1, var2), ~ sum(is.na(.x))))

2. 排除新生成的列 #

使用across()的.cols参数筛选需要处理的列，比如只处理数值型原始列：

df %>%
  group_by(year) %>%
  summarise(rows_per_year = n(), 
            across(where(is.numeric) & !matches("rows_per_year"), ~ sum(is.na(.x))))

3. 在单次summarise()中引用之前的结果 #

完全可以在单次调用中，将前一个函数的输出作为后一个函数的输入，比如计算缺失值占比：

df %>%
  group_by(year) %>%
  summarise(total_rows = n(),
            missing_var1 = sum(is.na(var1)),
            missing_ratio_var1 = missing_var1 / total_rows)

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