R语言中按指定分组对DataFrame应用自定义函数报错的原因与解决

问题背景 #

你有如下结构的DataFrame：

dist   id    daytime season 
3  1.11  Name1  day     summer   
4  2.22  Name2  night   spring   
5  3.33  Name1  day     winter   
6  4.44  Name3  night   fall  

希望按特定列对dist字段做汇总统计，编写了自定义函数：

summary <- function(x){df %>%                               
    group_by(x) %>% 
    summarize(min = min(dist),
              q1 = quantile(dist, 0.25),
              median = median(dist),
              mean = mean(dist),
              q3 = quantile(dist, 0.75),
              max = max(dist))}

调用summary_ID <- summary(id)时出现报错：

Error in `group_by()`:
! Must group by variables found in `.data`.
✖ Column `x` is not found.

报错原因 #

这个报错是dplyr非标准求值规则导致的：

• 当你调用summary(id)时，函数内部的group_by(x)并没有把x解析成你传入的列名id，而是把x当成一个字面列名去数据框中查找，自然找不到名为x的列，因此报错。
• 之前能成功大概率是使用了旧版本dplyr，旧版本对非标准求值的限制较宽松；新版本dplyr（1.0.0及以后）要求明确使用整洁评估语法来传递列名变量。

解决方法 #

方法一：用整洁评估大括号注入列名 #

修改函数，在group_by中用{{x}}语法注入传入的列名，这是最简洁的方式：

summary <- function(x){
  df %>%                               
    group_by({{x}}) %>% 
    summarize(min = min(dist),
              q1 = quantile(dist, 0.25),
              median = median(dist),
              mean = mean(dist),
              q3 = quantile(dist, 0.75),
              max = max(dist))
}

调用方式不变：summary_ID <- summary(id)

方法二：传入列名字符串并解析 #

如果习惯传字符串形式的列名（比如summary("id")），可以用sym()将字符串转为符号，再用!!注入：

summary <- function(x){
  df %>%                               
    group_by(!!sym(x)) %>% 
    summarize(min = min(dist),
              q1 = quantile(dist, 0.25),
              median = median(dist),
              mean = mean(dist),
              q3 = quantile(dist, 0.75),
              max = max(dist))
}

调用时改为：summary_ID <- summary("id")

额外优化建议 #

你的函数直接依赖全局变量df，建议把数据框也作为参数传入，让函数更通用、规范：

summary <- function(data, x){
  data %>%                               
    group_by({{x}}) %>% 
    summarize(min = min(dist),
              q1 = quantile(dist, 0.25),
              median = median(dist),
              mean = mean(dist),
              q3 = quantile(dist, 0.75),
              max = max(dist))
}

调用方式：summary_ID <- summary(df, id)

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