R语言dplyr包使用summarize函数计算mean时参与计算的数值数量问题

实现思路 #

你开启na.rm = TRUE计算均值时，实际参与运算的数值为对应列的非NA值，统计这些值的数量即可得到目标结果，以下提供两种常用实现方案：

1. 新版dplyr（1.0.0及以上，推荐） #

使用across批量处理所有数值列，可同时输出均值和对应的有效样本量：

library(dplyr)

result <- df %>% 
  group_by(x) %>% 
  summarise(
    across(where(is.numeric), 
           list(
             mean = ~mean(.x, na.rm = TRUE),
             valid_n = ~sum(!is.na(.x))
           ),
           .names = "{.col}_{.fn}"
    )
  )

输出结果说明：

• 每个原始数值列会生成两个新列，后缀_mean为计算得到的均值，后缀_valid_n为该列在对应分组中实际参与均值计算的非NA值数量
• 如需统计所有数值列的总参与运算数量，可通过以下代码计算：

total_count <- result %>% 
  ungroup() %>% 
  summarise(total = sum(c_across(ends_with("_valid_n")))) %>% 
  pull(total)

2. 兼容旧版dplyr的summarise_if写法 #

如果你习惯使用旧式的summarise_if语法，可以用以下写法实现相同效果：

result <- df %>%
  group_by(x) %>%
  summarise_if(
    is.numeric,
    list(
      mean = ~mean(.x, na.rm = TRUE),
      valid_n = ~sum(!is.na(.x))
    )
  )

注意事项 #

不要用n()统计参与运算的数量，n()返回的是分组的总行数，包含带NA值的行，统计结果会比实际参与均值计算的数量大。

内容的提问来源于stack exchange，提问作者ghs101