R使用dplyr分组汇总因子列时default_flag返回NA的解决方法

default_flag列是因子（factor）类型，即使它的水平取值为字符串形式的"0"和"1"，R内置的mean()函数默认不支持对因子类型计算算术均值，因此会全部返回NA。pred_default本身是数值型列，所以均值计算正常。

方法1：汇总时临时转换类型计算 #

计算均值前先将因子转为字符型，再转为数值型即可正常计算。
如果使用常规summarise写法：

library(dplyr)
train %>% 
  group_by(obs_m) %>% 
  summarise(
    default_flag = mean(as.numeric(as.character(default_flag))),
    pred_default = mean(pred_default)
  )

如果要保留原来的summarise_at批量写法，可以统一对列做类型判断处理：

train %>% 
  group_by(obs_m) %>% 
  summarise_at(
    vars(default_flag, pred_default),
    ~ if (is.factor(.)) mean(as.numeric(as.character(.))) else mean(.)
  )

方法2：预处理阶段提前转换列类型 #

如果后续需要频繁对default_flag做数值运算，可以直接在数据清洗环节把该列转为数值型，后续汇总无需额外处理：

# 提前转换列类型
train <- train %>% 
  mutate(default_flag = as.numeric(as.character(default_flag)))

# 直接运行原代码即可得到正确结果
train %>% 
  group_by(obs_m) %>% 
  summarise_at(vars(default_flag, pred_default), mean)

注意：禁止直接对因子使用as.numeric()转换，该操作会返回因子的内部水平编码，而非水平对应的实际值。以你的数据为例，default_flag的水平顺序为"0"是第1个水平、"1"是第2个水平，直接转数值会把所有"0"转为1、"1"转为2，最终计算出的均值完全错误，必须先转字符型再转数值型。

用你提供的示例数据运行上述代码，default_flag列会正确返回均值0，pred_default列返回对应数值均值，无NA值。

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