确认dplyr::filter()两种写法的输出与执行逻辑是否一致

我目前正在通过Grolemund与Wickham所著的《R for Data Science》（R4DS）学习tidyverse包。在实操代码时，发现使用dplyr的filter()函数时，两种写法得到了相同输出，希望确认以下三点：

• (a) 两种写法的输出是否完全一致；
• (b) 输出是否存在未察觉的差异；
• (c) 输出相同但执行逻辑是否不同。

前置代码 #

首先加载所需包：

library(nycflights13)
library(tidyverse)

写法1

flights %>%
  filter(arr_delay >= 120) %>%
  filter(dest == "IAH" | dest == "HOU") %>%
  filter(carrier == "UA" | carrier == "AA" | carrier == "DL") %>%
  filter(month >= 7 & month <= 9)

写法2

flights %>%
  filter(arr_delay >= 120, 
         dest == "IAH" | dest == "HOU",
         carrier == "UA" | carrier == "AA" | carrier == "DL",
         month >= 7 & month <= 9)

两种写法的共同输出 #

两种写法均得到如下相同的tibble输出：

# A tibble: 47 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>  
 1  2013     7     1     1310           1057       133     1551           1338       133 UA     
 2  2013     7     1     1707           1448       139     1943           1742       121 UA     
 3  2013     7     1     2058           1735       203     2355           2030       205 AA     
 4  2013     7     2     2001           1735       146     2335           2030       185 AA     
 5  2013     7     3     2215           1909       186       45           2200       165 UA     
 6  2013     7     9     1937           1735       122     2240           2030       130 AA     
 7  2013     7    10       40           1909       331      301           2200       301 UA     
 8  2013     7    10     1629           1520        69     2048           1754       174 UA     
 9  2013     7    10     1913           1721       112     2214           2001       133 UA     
10  2013     7    17     1657           1446       131     2007           1745       142 UA     
# ... with 37 more rows, and 9 more variables: flight <int>, tailnum <chr>, origin <chr>,
#   dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

(a) 输出完全一致 #

两种写法的输出完全相同。因为filter()函数的多个参数默认是逻辑与（&）关系，写法1中多次链式调用filter()，本质是逐步叠加逻辑与条件，和写法2中把所有条件放在同一个filter()里用逗号分隔的效果完全等价。

(b) 不存在未察觉的差异 #

只要数据中没有NA值干扰（或已处理NA），两种写法的输出不会有任何隐藏差异。即使存在NA，filter()对NA的处理逻辑也一致：会自动移除条件结果为NA的行，无论分多次调用还是单次调用，最终过滤规则完全相同。

(c) 执行逻辑有细微差别，但结果等价 #

• 写法1是分步过滤：每次调用filter()都会生成一个中间数据集，再传递给下一个filter()。比如先筛选arr_delay >=120的行，再在这个子集里筛选dest符合条件的行，以此类推。
• 写法2是单次过滤：把所有条件合并成一个大的逻辑表达式（所有条件用&连接），一次性完成筛选，不会生成中间数据集。

不过在dplyr的优化机制下，针对内存中的常规数据集，两种写法的性能差异几乎可以忽略。只有处理超大规模数据集或数据库后端（如dbplyr连接数据库）时，单次过滤可能生成更高效的查询语句，但最终结果始终一致。

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