使用dplyr::summarise结合across出现异常行为的原因排查

这不是异常行为，而是dplyr的设计规则导致的：summarise中的表达式严格按书写顺序执行，若新创建的列名与原始列名重复，会直接覆盖原始列，后续表达式引用该列时，使用的是已经计算出的汇总后的值（单值），而非分组前的原始分组内数据（向量）。

具体原因拆解 #

1. across前置时的覆盖问题
   当你把across(matches("amount"), sum)放在summarise的开头，它会生成amount、another_amount等汇总后的列（每个组对应一个单值），直接覆盖了原始的amount列（每个组内是长度为10的向量）：

   • sum_if_yes_1 = sum(amount[ yes_no == "Yes"])：此时amount是单值，而yes_no还是原始分组内的长度10的向量，索引操作因长度不匹配返回NA，求和后仍是NA。
   • sum_if_yes_2 = sum(ifelse(yes_no == "Yes", amount, 0))：单值amount会被自动循环匹配长度10的yes_no，相当于把汇总值重复10次，再对其中5个"Yes"对应的位置求和，结果就是汇总值 * 5（比如第一组5.47*5≈27.4）。
   • sum_if_yes_3正常：因为amount_if_yes的汇总值和原始列的分组总和完全一致，对单值求和自然得到正确结果。

2. 调整顺序后恢复正常
   把自定义的sum计算放在across前面时，这些表达式引用的都是原始的分组内列数据（还没被覆盖），计算完成后across再生成汇总列，不会影响前面的结果。

3. 与data.table的行为差异
   data.table在分组计算的j表达式中，所有列引用默认指向原始的分组内数据，即使先创建了同名列，后续引用仍会使用原始数据（除非显式指定新列），因此顺序不会影响结果。

正确解决方法 #

有两种可靠的方式避免这个问题：

方法1：使用.data代词明确引用原始列

.data代词会强制引用原始的输入数据列，不受后续列覆盖的影响：

test_data |>
    mutate( amount_if_yes = ifelse(yes_no == "Yes", amount, 0) ) |>
    group_by(group) |>
    summarise(
        across(matches("amount"), sum),
        sum_all = sum(.data$amount),
        sum_if_yes_1 = sum(.data$amount[.data$yes_no == "Yes"]),
        sum_if_yes_2 = sum(ifelse(.data$yes_no == "Yes", .data$amount, 0)),
        sum_if_yes_3 = sum(.data$amount_if_yes)
    )

方法2：修改across生成的列名，避免覆盖

通过.names参数给汇总列加前缀/后缀，和原始列名区分开：

test_data |>
    mutate( amount_if_yes = ifelse(yes_no == "Yes", amount, 0) ) |>
    group_by(group) |>
    summarise(
        across(matches("amount"), sum, .names = "sum_{.col}"),
        sum_all = sum(amount),
        sum_if_yes_1 = sum(amount[yes_no == "Yes"]),
        sum_if_yes_2 = sum(ifelse(yes_no == "Yes", amount, 0)),
        sum_if_yes_3 = sum(amount_if_yes)
    )

内容的提问来源于stack exchange，提问作者rosscova