如何用dplyr的across函数实现分组t检验，替代弃用的summarize_each

版本1：和旧方案输出完全一致 #

library(tidyverse)
library(broom)

mtcars %>%
  group_by(am) %>%
  summarise(across(
    .cols = mpg,
    .fns = list(
      p.value = ~ t.test(.x[cur_data()$vs == 0], .x[cur_data()$vs == 1])$p.value,
      conf.low = ~ t.test(.x[cur_data()$vs == 0], .x[cur_data()$vs == 1])$conf.int[1],
      conf.high = ~ t.test(.x[cur_data()$vs == 0], .x[cur_data()$vs == 1])$conf.int[2]
    )
  ))

运行输出：

# A tibble: 2 × 4
     am mpg_p.value mpg_conf.low mpg_conf.high
  <dbl>       <dbl>        <dbl>         <dbl>
1     0    0.000395        -8.33         -3.05
2     1    0.00459        -14.0          -3.27

如果需要批量处理多个指标，只要修改.cols参数即可，比如.cols = c(mpg, disp, hp)就能同时对这三个指标做分组t检验。

版本2：更简洁的完整结果输出（推荐） #

直接用broom::tidy提取t检验的所有结果，无需手动逐个提取字段：

mtcars %>%
  group_by(am) %>%
  summarise(
    across(mpg, ~ list(tidy(t.test(.x[vs == 0], .x[vs == 1])))) %>% 
      unnest(everything())
  )

运行输出会包含t检验的统计量、估计值、p值、置信区间、检验方法等全部字段，和单独调用t.test后tidy的结果完全一致。

报错原因说明 #

你之前的代码有两个核心问题：

1. across的.fns参数要求接收函数对象，你直接传入了执行表达式，没有封装为函数。需要用~开头的purrr风格lambda表达式封装逻辑。
2. across的lambda中，.x（或者简写的.）仅指代当前遍历的列（也就是你选中的mpg向量），无法直接访问同分组的其他列，需要用cur_data()获取当前分组的完整数据框，才能调用vs列做筛选。

内容的提问来源于stack exchange，提问作者Ryan John