R语言aggregate()与tidyverse计算航班延误均值差异原因问询

差异产生原因 #

这个差异确实是由NA值的处理逻辑不同导致的，核心区别在于两种写法删除缺失值的范围不一样：

• base R的aggregate()使用公式语法（cbind(arr_delay,dep_delay) ~ origin）时，默认采用na.action = na.omit的逻辑：只要行内参与公式计算的arr_delay、dep_delay任意一列存在NA，整行都会被从计算中剔除，算两个均值的时候用的是完全相同的、没有任何缺失值的行子集。
• 你写的tidyverse代码中，summarise内为每个mean()单独配置了na.rm = TRUE，此时删除缺失值的逻辑是单列独立的：计算arr_delay均值时仅剔除arr_delay为NA的行（哪怕对应行的dep_delay是NA也会纳入计算），计算dep_delay均值时仅剔除dep_delay为NA的行，两个均值计算用到的行子集范围不一样，最终结果自然和aggregate的输出有微小差异。

验证方法 #

你可以先把数据集过滤为arr_delay和dep_delay都非NA的子集，再用两种方法计算：

flights_complete <- flights %>% filter(!is.na(arr_delay), !is.na(dep_delay))

之后在flights_complete上运行你原来的两段代码，输出结果会完全一致。

内容的提问来源于stack exchange，提问作者Wutruvic