使用dplyr的group_by计算分组求和时的问题及解决方法

原始数据 #

数据框mydata内容如下：

Date.created   team_member   TaskTime
2022/08          Karina         0.33
2022/08          Jelena         0.33
2022/08          Elina          0.67
2022/08          Jelena         0.67
2022/08          Karina         0.33
2022/07          Jelena         0.33
2022/07          Jelena         0.33
2022/07          Karina         0.67
2022/07          Elina          0.33
2022/07          Elina          0.67

期望结果 #

需要按月份和人员分组计算TaskTime的总和，期望输出：

2022/08          Karina         0.66
2022/08          Jelena         1
2022/08          Elina          0.67
2022/07          Jelena         0.66
2022/07          Karina         0.67
2022/07          Elina          1

尝试的错误代码 #

library(dplyr)
mydata2 <- mydata %>% 
  group_by(mydata$Date.created, mydata$team_member) %>% 
  summarise(TaskTime=sum(mydata$TaskTime))

运行后得到的是整个数据框TaskTime的全局总和（4.66），而非分组求和结果。

问题原因 #

• 在dplyr的管道操作中，使用mydata$列名会直接引用原始数据框的完整列，而非管道传递过来的分组后的数据子集。
• 虽然group_by(mydata$Date.created, mydata$team_member)能生成分组标识，但后续summarise中的sum(mydata$TaskTime)会忽略分组限制，直接计算整个原始数据的总和，导致每个分组都返回相同的全局值。

解决方法 #

在dplyr管道流中，直接使用列名即可，无需添加数据框前缀：

library(dplyr)
mydata2 <- mydata %>% 
  group_by(Date.created, team_member) %>% 
  summarise(TaskTime = sum(TaskTime), .groups = "drop")

• 说明：
  1. group_by(Date.created, team_member)会基于当前管道中的数据进行分组，正确识别每个月份+人员的组合。
  2. sum(TaskTime)会针对每个分组内的TaskTime值求和，得到预期的分组结果。
  3. .groups = "drop"参数用于在求和后取消分组状态，返回常规的数据框格式；如果需要保留分组结构，可以省略该参数。

内容的提问来源于stack exchange，提问作者Диана