R中group_by()与distinct()执行顺序不同为何得到不同频次结果

两段代码的统计逻辑差异 #

• output_df_1的执行逻辑：先对全数据集按author_id去重，每个作者ID仅保留其最早发推对应的小时记录，再按小时统计数量，最终得到的是每小时首次发推的新增用户数，不符合你要的统计需求。
• output_df_2的执行逻辑：先按小时分组，在单个小时的分组内对author_id去重，再按小时统计数量，最终得到的就是你需要的每小时独立发推用户数，是正确的统计结果。

差异原理验证 #

举个极简示例可以快速区分两者差异：
假设输入数据集为3条记录：

• output_df_1统计结果：10点计数值为1，11点计数值为0（userA在全量去重时已经被保留在10点的分组里，11点的同ID记录被提前删除）
• output_df_2统计结果：10点计数值为1，11点计数值为1（每个小时分组内单独去重，只要用户在该小时发过推就会被计数1次）

更简洁的优化实现 #

你可以直接用dplyr内置的n_distinct()函数实现需求，不需要手动distinct再计数，代码更简洁易读：

hourly_stats <- input_df %>%
  # 时间取整到小时
  mutate(created_at = lubridate::floor_date(created_at, unit = "hours")) %>%
  # 按小时分组
  group_by(created_at) %>%
  # 同时统计每小时推文数和独立用户数
  summarise(
    tweet_count = n(),
    independent_user_count = n_distinct(author_id)
  )

内容的提问来源于stack exchange，提问作者Cold2Breath