连续使用不同group_by()时，是否需显式调用ungroup()？

很多资料提到group_by()之后必须调用ungroup()，但在连续使用不同分组的场景下，是否需要在中间显式执行ungroup()，还是新的group_by()会自动覆盖旧分组？

测试代码 #

with <- iris %>%
  group_by(Petal.Width) %>%
  ungroup() %>%
  group_by(Species) %>%
  count() %>%
  ungroup()

without <- iris %>%
  group_by(Petal.Width) %>%
  group_by(Species) %>%
  count() %>%
  ungroup()

identical(with, without)
# [1] TRUE

测试结果显示两种写法输出一致，那是否存在两者结果不同的场景？

核心结论 #

默认情况下，dplyr的group_by()会直接替换之前的分组定义，不会保留旧的分组信息，所以你测试里的中间ungroup()确实是冗余操作，两种写法结果一致。

存在差异的场景 #

只有当你主动开启分组叠加时，两种写法才会产生明显差异：

• 使用.add = TRUE参数叠加分组：这个参数会让新的group_by()在旧分组的基础上新增分组维度，而非替换。比如：

# 叠加分组：同时按Petal.Width和Species分组
stacked_group <- iris %>%
  group_by(Petal.Width) %>%
  group_by(Species, .add = TRUE) %>%
  count()

# 替换分组：先取消旧分组，再按Species分组
replaced_group <- iris %>%
  group_by(Petal.Width) %>%
  ungroup() %>%
  group_by(Species) %>%
  count()

# 结果差异明显
nrow(stacked_group)  # 输出为119（多维度分组的计数）
nrow(replaced_group) # 输出为3（仅按Species分组的计数）

额外提醒 #

虽然连续替换分组时ungroup()不是必须的，但养成在分组操作完成后调用ungroup()的习惯，能避免后续操作意外受到残留分组的影响（比如后续的summarise、mutate误用上一次的分组规则），尤其在复杂的链式操作中更能减少bug。

内容的提问来源于stack exchange，提问作者BoTz