为何dplyr的summarise中sum统计字符向量结果与base R不一致

你对dplyr summarise()的求值规则认知有误，summarise()和mutate()一样支持同语句块内按从左到右的顺序引用前面新定义的变量，并非只有mutate()才有这个特性。

问题具体原因 #

你在summarise()中先定义了一个与原始列重名的新列Pass，赋值后同语句块内后续的Pass标识符都会优先指向这个新生成的数值列，而非原始的字符列：

• 计算Pass=sum(Pass=="Pass")时，引用的还是原始字符列，结果是每个分组的Pass数量，为数值型
• 后续计算Fail=sum(Pass=="Fail")时，Pass已经是数值型的统计结果，和字符串"Fail"比较全部返回FALSE，求和结果为0，因此和base R的统计结果不一致。

修复方案 #

修改新列名避免与原始列重名即可，示例代码如下：

Pass_summary <- df %>% 
  group_by(Letters) %>% 
  summarise(
    n = n(), 
    pass_num = sum(Pass == "Pass"), 
    fail_num = sum(Pass == "Fail")
  )

你可以运行下面的代码验证summarise的同阶段变量引用特性：

# 测试summarise同阶段变量引用特性
test_df <- data.frame(val = c(2,4,6,8))
test_df %>% 
  summarise(
    total = sum(val), # 基于原始val计算总和为20
    double_total = total * 2 # 直接引用前面生成的total，结果为40
  )

内容的提问来源于stack exchange，提问作者Tom