在dplyr::summarize()中设置向量属性为何引发分组计算异常？

可复现代码 #

library(dplyr, warn.conflicts = FALSE)
set.seed(123) # 固定随机种子确保结果可复现
tibble(x = rep(letters[1:3], times = 4),
       y = rnorm(12)) %>%
  group_by(x) %>%
  summarize(z1 = sum(y),
            z2 = {
              attr(y, "test") <- "test"
              sum(y)
            })

运行结果：

# A tibble: 3 × 3
  x         z1    z2
  <chr>  <dbl> <dbl>
1 a      0.602 0.602
2 b      1.22  0.602
3 c     -0.310 0.602

核心原因 #

这个异常源于两个关键点：

• dplyr的性能优化：dplyr在分组迭代计算时，会复用同一个向量对象存储当前分组的列值（而非每次创建新向量），以此提升性能。
• 原地修改的副作用：attr(y, "test") <- "test"是原地修改操作，直接修改了dplyr内部复用的向量对象属性。更关键的是，这个操作会改变当前分组环境中y的符号绑定——后续分组迭代时，dplyr虽会将新分组数据填充到复用向量，但非标准求值的符号查找会优先指向被修改过的旧绑定，导致sum(y)始终计算第一组的向量值。

非标准求值（NSE）的作用域规则 #

dplyr的summarize使用非标准求值，变量查找顺序为：

1. 优先在当前分组的临时计算环境中查找变量
2. 若未找到，则向上搜索父环境（如全局环境）

但当你在表达式中对变量进行原地修改时，会破坏临时环境中变量的正常绑定：第一次分组后，y已绑定到带新增属性的向量对象，后续分组中dplyr未正确更新该绑定，导致符号查找指向旧对象，而非当前分组的新数据。

解决方案 #

有两种可靠的修复方式：

1. 使用.data准引用环境：.data明确指向当前分组的数据源，直接从数据源提取变量可避免符号查找问题：

summarize(z1 = sum(y),
          z2 = {
            attr(.data$y, "test") <- "test"
            sum(.data$y)
          })

2. 创建变量副本再修改：避免原地修改原变量，先复制一份再操作，不影响原对象的绑定：

summarize(z1 = sum(y),
          z2 = {
            y_copy <- y
            attr(y_copy, "test") <- "test"
            sum(y_copy)
          })

内容的提问来源于stack exchange，提问作者const-ae