在R语言data_summary函数中添加案例数统计列报错的解决方法

需要计算由两个变量定义的子类的标准差（SD）、均值以及各类别的案例数，参考原有R代码修改后报错“参数过多”，相关代码如下：

原有可运行代码 #

data_summary <- function(data, varname, groupnames){
  require(plyr)
  summary_func <- function(x, col){
    c(mean = mean(x[[col]], na.rm=TRUE),
      sd = sd(x[[col]], na.rm=TRUE))
  }
  data_sum<-ddply(data, groupnames, .fun=summary_func,
                  varname)
  data_sum <- rename(data_sum, c("mean" = varname))
 return(data_sum)
}

修改后报错的代码 #

data_summary <- function(data, varname, groupnames){
  require(plyr)
  summary_func <- function(x, col){
    c(mean = mean(x[[col]], na.rm=TRUE),
      sd = sd(x[[col]], na.rm=TRUE),
      n = length(x[[col]], na.rm=TRUE))  # 新增的案例数计算
  }
  data_sum<-ddply(data, groupnames, .fun=summary_func,
                  varname)
  data_sum <- rename(data_sum, c("mean" = varname))
 return(data_sum)
}

报错原因是length()函数没有na.rm参数，多传参数导致报错。正确计算非缺失值案例数的方法如下：

方式一：直接修正案例数计算逻辑 #

修改summary_func中的案例数统计代码，用sum(!is.na(x[[col]]))统计非缺失值数量：

data_summary <- function(data, varname, groupnames){
  require(plyr)
  summary_func <- function(x, col){
    c(mean = mean(x[[col]], na.rm=TRUE),
      sd = sd(x[[col]], na.rm=TRUE),
      n = sum(!is.na(x[[col]]))  # 正确计算有效案例数
    )
  }
  data_sum <- ddply(data, groupnames, .fun=summary_func, varname)
  data_sum <- rename(data_sum, c("mean" = varname))
  return(data_sum)
}

方式二：拆分统计再合并（可读性更强） #

先分别计算分组的统计量和案例数，再合并结果：

data_summary <- function(data, varname, groupnames){
  require(plyr)
  # 计算均值与标准差
  stats_df <- ddply(data, groupnames, function(x, col){
    c(mean = mean(x[[col]], na.rm=TRUE),
      sd = sd(x[[col]], na.rm=TRUE))
  }, varname)
  # 计算分组案例数
  count_df <- ddply(data, groupnames, summarise, n = sum(!is.na(get(varname))))
  # 合并结果
  data_sum <- merge(stats_df, count_df, by = groupnames)
  data_sum <- rename(data_sum, c("mean" = varname))
  return(data_sum)
}

内容的提问来源于stack exchange，提问作者KMatsuda