在group_by()中进行数据子集化与汇总时结果异常的技术问询

我原本对dplyr和base R的使用很有信心，但遇到了一个搞不懂的问题：想按Species分组后，只汇总Sepal.Width小于3.5的对应Sepal.Length之和，但得到的结果一直不对，这让我很慌，因为我经常用这种操作模式。

以下是我尝试的代码：

library(tidyverse)

## 尝试按Species分组，汇总Sepal.Width小于3.5的Sepal.Length之和

### 此代码会在新列中生成NA
iris %>% 
  group_by(Species) %>% 
  summarize(new_col1=sum(Sepal.Length[iris$Sepal.Width<3.5]))

#### 此代码产生结果，但'versicolor'的结果为166.3 
iris %>% 
  group_by(Species) %>% 
  summarize(new_col1=sum(Sepal.Length[iris$Sepal.Width<3.5],na.rm = TRUE))

#### 但手动验证时得到的结果是296.6
iris %>% 
  filter(Species=="versicolor",
         Sepal.Width<3.5) %>% 
  pull(Sepal.Length) %>% sum

错误原因 #

核心问题出在你用了iris$Sepal.Width——在group_by()之后的summarize()里，直接引用整个数据集的列（iris$xxx）会绕过分组逻辑，用的是原始未分组的全量数据，而不是当前分组的子集。

比如第一个代码里，每个分组的Sepal.Length会被整个数据集的Sepal.Width<3.5筛选，长度不匹配就会生成NA；加了na.rm=TRUE后，实际是把全数据集中所有符合Sepal.Width<3.5的Sepal.Length求和，再把这个结果重复给每个分组，自然和手动验证的分组结果对不上。

正确解法 #

当然可以在group_by()+summarize()里做子集筛选，只要不要用iris$引用全量列，直接用当前分组的列即可，这里有几种靠谱的写法：

• 直接在sum中筛选当前分组数据：

iris %>% 
  group_by(Species) %>% 
  summarize(new_col1 = sum(Sepal.Length[Sepal.Width < 3.5], na.rm = TRUE))

这里的Sepal.Width < 3.5会自动对应当前分组的子集，筛选出该分组内符合条件的Sepal.Length再求和，na.rm=TRUE是为了避免某个分组里没有符合条件的数据时返回NA（如果不需要可以去掉）。

• 先筛选再分组汇总（更直观）：
  如果逻辑不复杂，先把全局符合条件的数据筛出来，再分组求和，可读性更高：

iris %>% 
  filter(Sepal.Width < 3.5) %>% 
  group_by(Species) %>% 
  summarize(new_col1 = sum(Sepal.Length))

• 用ifelse转换后求和：
  把不符合条件的Sepal.Length转为0，再求和，效果和第一种一致：

iris %>% 
  group_by(Species) %>% 
  summarize(new_col1 = sum(ifelse(Sepal.Width < 3.5, Sepal.Length, 0)))

结果验证 #

用以上任意一种方法，versicolor对应的结果都会是296.6，和手动验证的结果一致。

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