为何filter()函数位置不同会生成不同直方图？附对比代码

这是个非常典型的dplyr分组操作误区——核心问题在于**filter(n() >= 100) 在代码中所处的位置，决定了它作用的对象完全不一样**，咱们拆解来看：

第一段代码的执行逻辑 #

library(tidyverse)
library(dslabs)
movielens %>% 
  group_by(userId) %>% 
  filter(n() >= 100) %>% 
  summarise(mean_rating = mean(rating)) %>% 
  ggplot(aes(mean_rating)) + geom_histogram(bins=30, col="black")

1. 第一步按userId分组，此时每个组对应一个用户的所有评分记录
2. filter(n() >= 100) 在这里的n()指的是每个用户的评分条数——这一步直接把那些评分少于100条的用户组全部过滤掉了，只保留至少打了100分的用户数据
3. 接下来对剩下的每个用户组计算平均评分，最后用这些“活跃用户”的平均评分绘制直方图

第二段代码的执行逻辑 #

movielens %>% 
  group_by(userId) %>% 
  summarise(mean_rating = mean(rating)) %>% 
  filter(n() >= 100) %>% 
  ggplot(aes(mean_rating)) + geom_histogram(bins=30, col="black")

这里的坑就在filter的位置：

1. 同样先按userId分组，然后直接对所有用户（不管评分多少）计算了平均评分
2. 关键！summarise函数默认会在执行后自动取消分组（相当于调用了ungroup()），所以此时整个数据框已经回到了未分组状态，每行对应一个用户的平均评分
3. 这时调用filter(n() >= 100)，这里的n()指的是整个数据框的总行数（也就是用户总数），而movielens的用户数远大于100，所以这个过滤条件等于完全没起作用——最终你是用所有用户的平均评分绘制了直方图

总结 #

第一段是“先筛选出评分≥100的用户，再统计他们的平均评分分布”；第二段是“先统计所有用户的平均评分，然后做了一个无效过滤，最终统计所有用户的平均评分分布”。两者的数据源不同，直方图自然就不一样了。

内容的提问来源于stack exchange，提问作者Ryan Ma