如何调试R中用dplyr分组计算arr_delay标准差的NA结果问题？

我来帮你搞定这个问题！你的代码逻辑方向是对的，但结果全NA主要有两个核心原因，咱们一步步拆解解决：

问题根源分析 #

1. 缺失值未处理：arr_delay字段本身存在大量缺失值（你可以用sum(is.na(flights$arr_delay))查看总数），而R的sd()函数默认参数na.rm=FALSE——只要向量里有一个NA，结果就会返回NA。
2. 样本量不足：部分航空公司（carrier）的有效延误数据少于2条，即使去掉NA，sd()也会返回NA（因为标准差计算需要至少两个数据点）。

另外，你代码里的as.numeric(arr_delay)其实是多余的，arr_delay本身就是数值型字段，用class(flights$arr_delay)就能确认这一点。

修正后的代码 #

先看带诊断信息的版本，帮你清晰看到每个分组的情况：

library(tidyverse)
library(nycflights13)

flights_2c <- flights %>% 
  filter(origin == "JFK" & dest == "BOS") %>% 
  group_by(carrier) %>% 
  summarise(
    sd_arr = sd(arr_delay, na.rm = TRUE),  # 关键：加上na.rm=TRUE忽略缺失值
    total_flights = n(),  # 该航空公司的总航班数
    valid_delay_count = sum(!is.na(arr_delay))  # 有有效延误数据的航班数
  ) %>% 
  filter(valid_delay_count >= 2)  # 可选：过滤掉无法计算标准差的分组

如果只需要最终的标准差结果，也可以简化成：

flights_2c <- flights %>% 
  filter(origin == "JFK" & dest == "BOS") %>% 
  group_by(carrier) %>% 
  summarise(sd_arr = sd(arr_delay, na.rm = TRUE)) %>% 
  drop_na(sd_arr)  # 去掉仍为NA的分组（即有效数据不足2条的情况）

验证结果 #

运行修正后的代码后，你会看到sd_arr列不再全是NA，同时total_flights和valid_delay_count能帮你判断每个标准差结果的可靠性——如果某个分组的valid_delay_count很小，对应的标准差参考价值也会很低。

内容的提问来源于stack exchange，提问作者Aaron Spencer Phalin