理解dplyr中summarise函数的.groups="drop"参数及异常排查

为什么不加.groups="drop"会返回远超20行的结果？ #

在dplyr 1.0.0及之后的版本里，summarise()的默认.groups参数是"drop_last"——简单说就是执行完汇总后，会删掉分组变量列表里的最后一个，保留前面所有分组。

你的代码里用group_by(start_station_name, start_lat, start_lng)指定了三个分组变量，所以summarise()执行后，分组会变成start_station_name和start_lat，并没有完全取消分组。

这就导致后续的arrange(desc(count))和slice(1:20)都是按每个分组（也就是每个start_station_name + start_lat的组合）单独运行的：比如如果有10个不同的start_station_name + start_lat组合，每个组合里都会被取前20行，最终总行数自然会远超20。

而添加.groups="drop"后，summarise()会直接移除所有分组，把数据变回普通的未分组数据框。这时候arrange是全局排序，slice(1:20)就会从整个数据集中取排名前20的记录，完全符合你的需求。

为什么groups(summary)里看不到start_lng？ #

还是因为"drop_last"的默认行为：你最初的分组变量顺序是start_station_name → start_lat → start_lng，summarise()默认会去掉最后一个分组变量（也就是start_lng），只保留前面两个。所以调用groups(summary)时，只会显示剩下的分组变量。

用实际示例验证 #

我们构造一个模拟数据集来复现你的场景：

library(dplyr)

# 模拟出行数据：10个不同的站点组合，每个组合对应50条记录
trips_2023 <- tibble(
  member_casual = rep("member", 500),
  start_station_name = rep(paste0("Station ", LETTERS[1:10]), each=50),
  start_lat = rep(seq(40.71, 40.80, 0.01), each=50),
  start_lng = rep(seq(-74.00, -73.91, 0.01), each=50)
)

# 不加.groups="drop"的情况
summary_no_drop <- trips_2023 %>% 
  filter(member_casual == "member") %>%
  group_by(start_station_name, start_lat, start_lng) %>%
  summarise(count = n()) %>%
  arrange(desc(count)) %>%
  mutate(type = "start", member = "member") %>% 
  slice(1:20)

# 查看当前分组
groups(summary_no_drop)
# 输出：Groups: start_station_name, start_lat [10]

# 查看结果行数
nrow(summary_no_drop)
# 输出：10（每个分组里只有1条记录，slice(1:20)会取所有分组的记录）

# 添加.groups="drop"的情况
summary_with_drop <- trips_2023 %>% 
  filter(member_casual == "member") %>%
  group_by(start_station_name, start_lat, start_lng) %>%
  summarise(count = n(), .groups = "drop") %>%
  arrange(desc(count)) %>%
  mutate(type = "start", member = "member") %>% 
  slice(1:20)

# 查看当前分组
groups(summary_with_drop)
# 输出：NULL（无任何分组）

# 查看结果行数
nrow(summary_with_drop)
# 输出：10（全局排序后取前20，这里只有10条记录，所以全部保留；如果有30条，就会取前20）

总结 #

• .groups="drop"的核心作用是在summarise后完全清除所有分组，让后续操作在整个数据集上执行，而非按分组拆分执行。
• 默认的.groups="drop_last"会保留除最后一个之外的所有分组变量，这就是你看到分组缺失start_lng的直接原因。
• 如果你不想用.groups="drop"，也可以在summarise()之后加一行ungroup()，能达到完全一样的效果。

内容的提问来源于stack exchange，提问作者gorilla_ballz123