R语言中dplyr包summarize的sum函数仅在子集数据中计算正确，全量数据集结果异常问题

我一眼就看出问题所在了：你的全量数据集test1.csv里存在大量重复的观测行，导致分组统计时把同一批重复样本的数值反复累加，才会出现sum.N、sum.nimi这些统计量远大于预期的情况。比如你提到的4月1号样地A物种，子集计算的sum.N是6.67，全量里的26.7刚好是它的4倍左右，说明全量数据里每个原始重复样本被重复记录了4次。

第一步：验证重复行的存在 #

先运行以下代码检查全量数据的重复情况：

df_full <- read.csv(file = "test1.csv")

# 查看每个分组下的观测数量
df_full %>% count(year, month, site, species)

# 统计完全重复的行数
sum(duplicated(df_full))

你会发现，全量数据中4月1号样地A物种的观测数远多于5行（正常应该是5个重复样本对应5行），而子集数据里刚好是5行，这就是统计结果差异的根源。

第二步：修复代码——先去重再统计 #

修改全量数据的处理逻辑，在分组统计前先去除重复行，就能得到正确的结果：

df_full <- read.csv(file = "test1.csv") %>%
  # 去除完全重复的观测行
  distinct() %>%
  # 按指定维度分组
  group_by(year, month, site, species) %>%
  dplyr::summarise(
    mean.ni = mean(sp1.abundance),
    mean.mi = mean(sp2.abundance),
    sum.nimi = sum(sp1.sp2),
    sum.N = sum(sp1.abundance),
    # 显式取消分组，避免后续操作出现意外
    .groups = "drop"
  )

如果你的重复不是完全行重复（比如多了无关的索引列），可以指定关键列去重：

distinct(year, month, site, species, sp1.abundance, sp2.abundance, sp1.sp2, .keep_all = TRUE)

第三步：验证结果 #

运行修复后的代码后，你会发现4月1号样地A物种的sum.N会和子集计算的6.67一致，其他统计量也会回归正常。

补充说明 #

这种重复行问题通常出现在数据导入阶段——比如原始文件被多次写入、或者导出csv时误操作生成了重复行，下次处理数据前记得先做重复值检查，能避免很多类似的统计错误。

内容的提问来源于stack exchange，提问作者Rspacer