多分组列含NA时dplyr的group_by+summarise丢失NA行问题

问题重现 #

使用dplyr对包含NA的多列分组后汇总，示例代码如下：

df <- data.frame(ID1 = c(1,2,3,4,5), ID2 = c(11, NA, 13, NA, 14), ID3 = c(1,2,3,4,5), value = c(110, 120, 130, 140, 150))
test <- df %>%
  group_by(ID1, ID2, ID3) %>%
  summarise(value=sum(value))

期望输出与实际输出 #

期望输出 #

ID1 ID2 ID3 value
1   11  1   110
2   NA  2   120
3   13  3   130
4   NA  4   140
5   14  5   150

实际输出（9个分组ID列时） #

ID1 ID2 ID3 value
1   11  1   110
3   13  3   130
5   14  5   150

注：上述示例代码可得到期望输出，但9个分组ID列的代码会排除含NA的行，此前类似场景未出现该问题。

当前临时解决方法 #

通过将NA替换为字符"NA"，汇总后再还原的方式处理：

df <- data.frame(ID1 = c(1,2,3,4,5), ID2 = c(11, NA, 13, NA, 14), ID3 = c(1,2,3,4,5), value = c(110, 120, 130, 140, 150))
test <- df %>%
  mutate(ID2 = ifelse(is.na(ID2), "NA", ID2)) %>%
  group_by(ID1, ID2, ID3) %>%
  summarise(value=sum(value)) %>% 
  mutate(ID2 = ifelse(ID2 == "NA", NA, ID2))

原因分析与最优解决方案 #

原因分析 #

1. dplyr版本差异：最可能的原因是使用的dplyr版本低于1.0.0。在dplyr 1.0.0之前，多列分组场景下group_by()默认会意外排除包含NA的分组；而1.0.0及之后的版本默认保留NA分组（.na.rm = FALSE）。
2. 列类型问题：如果实际数据中NA所在的分组列为因子类型，因子的NA处理逻辑会导致分组时被排除。

最优解决方案 #

• 方案1：升级dplyr版本
  将dplyr升级到1.0.0及以上版本，无需修改现有代码，group_by()会默认保留含NA的分组，直接得到期望输出。

• 方案2：显式设置分组参数（适配旧版本）
  如果无法升级版本，在group_by()中显式设置参数保留NA分组：

  • 对于dplyr 0.8.x及更早版本，使用keep.na = TRUE：

    test <- df %>%
      group_by(ID1, ID2, ID3, ..., keep.na = TRUE) %>%
      summarise(value=sum(value))
    

  • 对于dplyr 1.0.0及以上版本，可显式指定.na.rm = FALSE（默认值，可省略）：

    test <- df %>%
      group_by(ID1, ID2, ID3, ..., .na.rm = FALSE) %>%
      summarise(value=sum(value))
    

• 方案3：处理因子类型分组列
  如果分组列为因子类型，先将其转换为字符或数值列后再分组：

  test <- df %>%
    mutate(across(c(ID2, ...), as.character)) %>% # 或as.numeric，根据实际类型选择
    group_by(ID1, ID2, ID3, ...) %>%
    summarise(value=sum(value))
  

内容的提问来源于stack exchange，提问作者Ismail Arslan