为何summarise中mean()可用count()报错？如何按月统计绘制柱状图？

问题背景 #

当前用于生成柱状图的代码统计结果不正确：

# counts per month
df %>%
  group_by(date) %>%
  summarize(dep_delay= mean(dep_delay)) %>%
  ggplot(aes(x = as.factor(month(date,label = TRUE)),
             y = dep_delay)) +
  geom_bar(stat = 'identity') +
  theme_bw()+
  scale_y_continuous(breaks = seq(0,1400,200))+
  labs(title="Departure delays in Newark airport per month in 2013", 
       x="", y = "number of delays")

正确的按月统计行数结果应为：

df_w_delays %>% group_by(month=month(date)) %>% count()

# 输出结果
  month     n
   <dbl> <int>
 1     1  1035
 2     2   941
 3     3  1239
 4     4  1159
 5     5  1240
 6     6  1257
 7     7  1277
 8     8  1100
 9     9   702
10    10   880
11    11   861
12    12  1315

修改summarize统计逻辑时出现以下报错：

1. 使用n(dep_delay)时：

Error in `summarize()`:
! Problem while computing `dep_delay = n(dep_delay)`.
ℹ The error occurred in group 1: date = 2013-01-01.
Caused by error in `n()`:
! unused argument (dep_delay)

2. 使用count(dep_delay)时：

Error in `summarize()`:
! Problem while computing `dep_delay = count(dep_delay)`.
ℹ The error occurred in group 1: date = 2013-01-01.
Caused by error in `UseMethod()`:
! no applicable method for 'count' applied to an object of class "c('double', 'numeric')"

为什么mean()可以在summarise中正常使用，而count()/n()不行？ #

• mean()是向量函数：它接受一列向量（比如dep_delay）作为参数，计算该列的均值，完全符合summarise对列做聚合运算的逻辑。
• n()是dplyr专用聚合函数：它不需要传入参数，作用是返回当前分组的行数，不能给它加列名参数，所以n(dep_delay)会报错。
• count()是dplyr顶层函数：它是直接作用于整个数据框的工具（比如df %>% count(col)），不是用于summarise内部的聚合函数，不能在summarise里直接传入单个列调用，因此count(dep_delay)会报错。

如何在柱状图中展示每月的行数统计？ #

核心是先按月份正确分组统计行数，再绘图，以下是两种可行方式：

方式1：用group_by + summarise(n()) #

df %>%
  # 提取月份并按月份分组
  group_by(month = month(date, label = TRUE)) %>%
  # 统计每组行数，命名为dep_delay适配原绘图的y轴
  summarize(dep_delay = n()) %>%
  ggplot(aes(x = month, y = dep_delay)) +
  geom_bar(stat = 'identity') +
  theme_bw()+
  scale_y_continuous(breaks = seq(0,1400,200))+
  labs(title="Departure delays in Newark airport per month in 2013", 
       x="", y = "number of delays")

方式2：用count()直接生成统计结果 #

df %>%
  # 按月份分组统计行数，指定列名为dep_delay
  count(month = month(date, label = TRUE), name = "dep_delay") %>%
  ggplot(aes(x = month, y = dep_delay)) +
  geom_bar(stat = 'identity') +
  theme_bw()+
  scale_y_continuous(breaks = seq(0,1400,200))+
  labs(title="Departure delays in Newark airport per month in 2013", 
       x="", y = "number of delays")

原代码的核心问题 #

你之前是按date（具体日期）分组，之后再把日期转成月份聚合，这会先计算每日均值，再把每日均值当作月度数值，完全偏离了统计月度行数的需求。

内容的提问来源于stack exchange，提问作者Bluetail