R语言中mean()函数在case_when及管道中使用失效的原因咨询

问题背景 #

我是R语言初学者，正在使用tidyverse中的titanic训练数据集做dplyr数据处理练习，需求是按性别填充乘客年龄的缺失值（用对应性别的平均年龄）。现有可行代码，但尝试简化写法时遇到两个问题，下面分别解释两种错误写法失效的原因。

可行代码 #

#' Exercise 6.5
#' 使用case_when函数在titanic数据集中创建名为imputed_age_of_passenger的新列。
#' 当乘客性别为“male”且年龄缺失时，用男性乘客的平均年龄填充；
#' 当乘客性别为“female”且年龄缺失时，用女性乘客的平均年龄填充；
#' 其他情况保留原年龄值。

mean_age_male <- titanic %>% 
  filter(sex_of_passenger == "male") %>% 
  pull(age_of_passenger) %>% 
  mean(na.rm = TRUE)

mean_age_female <- titanic %>% 
  filter(sex_of_passenger == "female") %>% 
  pull(age_of_passenger) %>% 
  mean(na.rm = TRUE)

titanic <- titanic %>% 
  mutate(imputed_age_of_passenger = case_when(
    sex_of_passenger == "male" & is.na(age_of_passenger) ~ mean_age_male,
    sex_of_passenger == "female" & is.na(age_of_passenger) ~ mean_age_female,
    TRUE ~ age_of_passenger))

错误写法1：mutate中嵌套filter与mean的语法错误 #

错误代码 #

titanic <- titanic %>% 
  mutate(imputed_age_of_passenger = case_when(
    sex_of_passenger == "male" & is.na(age_of_passenger) ~ mean(filter(sex_of_passenger == "male")$age_of_passenger, na.rm = TRUE),
    sex_of_passenger == "female" & is.na(age_of_passenger) ~ mean(filter(sex_of_passenger == "female")$age_of_passenger, na.rm = TRUE)
    TRUE ~ age_of_passenger))

报错信息 #

Error: unexpected numeric constant in: "    sex_of_passenger == "female" & is.na(age_of_passenger) ~ mean(filter(sex_of_passenger == "female")$age_of_passenger, na.rm = TRUE) TRUE"

失效原因 #

1. 语法缺失逗号：case_when的每个条件行末尾必须用逗号分隔，第二个条件行结尾没有加逗号，直接衔接TRUE ~ age_of_passenger，导致R解析时把这两行当成同一行，触发语法错误。
2. filter参数错误：filter()函数的第一个参数必须是要筛选的数据集，这里直接写filter(sex_of_passenger == "male")，没有指定数据来源（正确写法应为filter(titanic, sex_of_passenger == "male")），即使补上逗号，R也找不到该变量的上下文，会报错提示对象'sex_of_passenger'未找到。

错误写法2：管道中pull与mean的调用顺序错误 #

错误代码 #

mean_age_male <- titanic %>% 
  filter(sex_of_passenger == "male") %>% 
  mean(pull(age_of_passenger), na.rm = TRUE)

警告信息 #

Warning message:
In mean.default(., na.rm = TRUE) :
  argument is not numeric or logical: returning NA

失效原因 #

管道操作%>%的规则是：前一个步骤的输出会作为下一个函数的第一个参数传入。这里filter()之后得到的是一个数据框，传到mean()时，这个数据框会作为mean()的第一个参数（即.），而pull(age_of_passenger)被当成了mean()的第二个参数（但mean()的第二个参数是na.rm，要求是逻辑值，传入向量完全不符合要求）。

正确逻辑应该是先从数据框中提取age_of_passenger列得到数值向量，再计算均值，也就是必须先调用pull()，再调用mean()，而非把pull()作为mean()的参数。

内容的提问来源于stack exchange，提问作者Xavier Villà Aguilar