R语言中summarise与summarise_at/across加权均值结果不一致问题

数据集 #

a <- data.frame(cat = c("a","b","b","c","a","c"),
           num1 = c(-2,1,2,4,3,2),
           num2 = c(-2,3,1,5,3,2),
           weight = c(3.12,2,14,1.12,1,12))

需求 #

计算所有含“num”字段的加权均值（实际数据集有大量此类字段）。

方法1：逐个指定列计算 #

a %>% summarise(num1 = weighted.mean(num1, weight, na.rm=T),
                num2 = weighted.mean(num2, weight, na.rm=T))

结果：

方法2：批量处理列的错误写法 #

写法1

a %>% summarise(across(contains("num"), ~weighted.mean(.x, na.rm=T)))

写法2

a %>% summarise_at(.vars=vars(contains("num")),
                   function(x, weight) weighted.mean(x, weight))

结果：

疑问 #

为何两种方法结果不同？应该信任哪一种？

结果不同的核心原因是批量处理的写法没有正确传递weight权重参数：

1. 方法1的写法是正确的：weighted.mean(num1, weight, na.rm=T)明确指定了权重列weight，计算的是真正的加权均值，这个结果是可信的。
2. 方法2的两种写法都存在参数缺失问题：
   • across的写法里，~weighted.mean(.x, na.rm=T)只传了待计算列.x和na.rm，没传权重参数w，此时weighted.mean会默认用等权重计算（也就是普通算术平均）。比如num1的算术平均是(-2+1+2+4+3+2)/6 = 1.666667，和你得到的错误结果完全匹配。
   • summarise_at的写法里，你定义的function(x, weight)需要接收weight参数，但summarise_at默认只会把待处理列x传给自定义函数，不会自动传递weight，导致权重参数缺失，同样退化为算术平均。

正确的批量处理写法 #

想要批量计算加权均值，必须在批量处理的函数里明确引用权重列：

推荐（tidyverse新版本语法：across）

a %>% summarise(across(contains("num"), ~weighted.mean(.x, w = weight, na.rm=T)))

旧版本语法（summarise_at）

a %>% summarise_at(.vars=vars(contains("num")),
                   ~weighted.mean(.x, w = weight, na.rm=T))

或者直接指定权重列的完整引用：

a %>% summarise_at(.vars=vars(contains("num")),
                   function(x) weighted.mean(x, w = a$weight, na.rm=T))

修正后的批量写法会得到和方法1完全一致的结果，应该信任方法1以及修正后的批量处理结果。

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