使用dplyr按组汇总异常：各分组年龄均值一致问题排查

问题根源 #

你在group_by()和summarize()里用了df$Q10、df$Q11_1_TEXT这种带数据框前缀的写法，这会直接调用整个原始数据框的列数据，完全绕过了dplyr的分组上下文。所以不管怎么分组，mean(df$Q11_1_TEXT, na.rm = TRUE)算的都是全表年龄均值，和当前分组无关。

而count = n()能正常统计每组数量，是因为n()是dplyr的专属聚合函数，会自动识别分组，统计每组的行数。

修正代码 #

直接用列名（去掉df$前缀），dplyr会自动在分组范围内处理对应子集的数据：

# df$q10: what is your gender
by_gender <- df %>% 
  group_by(Q10) %>% 
  dplyr::summarize(
    count = n(), 
    AvgAge = mean(Q11_1_TEXT, na.rm = TRUE)
  )

by_gender

额外说明 #

• 保留NA行：这个写法不会删除任何观测行。group_by(Q10)会把性别列的NA值自动归为一个独立分组，n()会统计该组的行数，mean()里的na.rm = TRUE只会忽略每组内年龄列的NA值，完全不影响其他行的保留。
• 避免类似错误：在dplyr的管道操作（%>%）里，所有列引用都不需要加原始数据框前缀，直接写列名即可，这样才能让dplyr正确识别分组上下文。

内容的提问来源于stack exchange，提问作者AirIcarus