为何dplyr分组验证DataFrame与原型一致性时总是返回FALSE？

我有一个名为data的DataFrame，结构如下：

vp | v1 | v2 | v3 | v4
 0 |  a |  b |  c | ...
 0 |  d |  e |  f | ...
 0 |  g |  h |  i | ...
 1 |  a |  b |  c | ...
 1 |  d |  e |  f | ...
 1 |  g |  h |  i | ...
 ...

我希望验证每个vp分组下的v1、v2、v3组合是否符合要求，为此创建了保存必要组合的原型DataFrame prototype：

v1 | v2 | v3 
  a   |  b   |  c   
  d   |  e   |  f   
  g   |  h   |  i   

我尝试通过dplyr的group_by和summarise函数，结合identical验证每个vp分组对应的v1、v2、v3部分与排序后的prototype是否一致：

data %>% group_by(vp) %>% summarise(identical = identical(. %>% 
                                                            # as.data.frame() %>%
                                                            select(v1, v2, v3) %>%
                                                            arrange(v1, v2, v3),
                                                          prototype %>% arrange(v1, v2, v3))

预期可以验证分组后的对应数据框部分与原型一致，但结果始终返回FALSE。而手动使用filter(vp == ...)逐个分组验证时，结果符合预期。请问问题出在哪里？如何用dplyr/tidyr风格实现预期验证？

最小可复现代码（MVC） #

library(dplyr)

data <- data.frame(vp = c(rep(0,3), rep(1,3), rep(2,3)),
                   v1 = rep(c("a", "d", "g"), 3),
                   v2 = rep(c("b", "e", "h"), 3),
                   v3 = c(rep(c("c", "f", "i"), 2), c("c", "f", "x")))

prototype <- data.frame(v1 = c("a", "d", "g"),
                        v2 = c("b", "e", "h"),
                        v3 = c("c", "f", "i"))

expected_result <- data.frame(vp=c(0,1,2), identical=c(TRUE, TRUE, FALSE))

data %>% group_by(vp) %>% summarise(identical = identical(. %>%
                                                            select(v1, v2, v3) %>%
                                                            arrange(v1, v2, v3),
                                                          prototype %>%
                                                            arrange(v1, v2, v3)))

问题根源 #

identical是严格对象比较函数，不仅会对比数据内容，还会检查对象的类型、属性甚至内部环境：

• 在group_by的分组环境中，.指代的子数据框带有dplyr的分组元数据（比如.group属性），和prototype的普通data.frame属性不一致
• 即使手动转成data.frame，分组环境下的子对象仍可能残留dplyr内部属性，导致identical返回FALSE

另外，你提供的expected_result中vp值有误，正确应为0、1、2而非1、2、3。

可行解决方案 #

方案1：用all.equal替换identical #

all.equal会忽略无关属性差异，仅对比数据内容的等价性，需将其返回的字符串结果转为布尔值：

data %>% 
  group_by(vp) %>% 
  summarise(identical = all.equal(
    . %>% select(v1, v2, v3) %>% arrange(v1, v2, v3),
    prototype %>% arrange(v1, v2, v3)
  ) == TRUE)

方案2：扁平化向量后比较 #

将分组数据和原型都转换为扁平化的原子向量，再用identical对比：

# 预处理得到排序后的原型向量
proto_vec <- prototype %>% arrange(v1, v2, v3) %>% unlist()

data %>% 
  group_by(vp) %>% 
  summarise(identical = identical(
    . %>% select(v1, v2, v3) %>% arrange(v1, v2, v3) %>% unlist(),
    proto_vec
  ))

方案3：逐元素+行数双重验证 #

先确认分组数据和原型行数一致，再逐元素对比内容，逻辑更直观：

data %>% 
  group_by(vp) %>% 
  summarise(identical = {
    group_data <- select(cur_data(), v1, v2, v3) %>% arrange(v1, v2, v3)
    proto_sorted <- prototype %>% arrange(v1, v2, v3)
    nrow(group_data) == nrow(proto_sorted) && all(group_data == proto_sorted)
  })

最终结果 #

以上方案均会返回符合预期的结果：

# A tibble: 3 × 2
     vp identical
  <dbl> <lgl>    
1     0 TRUE     
2     1 TRUE     
3     2 FALSE    

内容的提问来源于stack exchange，提问作者derM