R语言group_by处理Lahman击球数据时分组失效、playerID重复求助
重复playerID问题的核心原因
- 分组参数误用
group_by()中的.add = TRUE是叠加分组的专用参数,设计初衷是在数据已存在的分组基础上,额外新增分组维度(比如之前已经按yearID分组,后续按playerID分组时加.add=TRUE,就会形成yearID+playerID的双层分组)。在你的代码链路里,管道流从select(playerID, singles, bb)步骤开始完全没有预置任何分组信息,此时设置.add = TRUE没有任何实际作用,在新版dplyr中还会触发参数匹配告警,属于冗余的错误写法。 - 核心问题:对
mutate()的分组行为存在误解
这是导致重复playerID的最根本原因。你按照playerID分组后,使用mutate()计算跨赛季均值的操作,只会给原数据集的每一条独立记录(对应每个球员单赛季的击球数据,即1999/2000/2001三个赛季每个符合条件的球员会生成3条独立行)附带算好的均值列,全程不会合并、删除同一个playerID对应的多行记录。
实际上哪怕你完全移除.add = TRUE参数,分组逻辑正常运行,只要保留mutate()+ 直接筛行的写法,最终结果依然会出现重复的playerID——因为分组本身只是给数据框打分组标签,没有自动合并行的能力。 - “分组未生效”的错觉来源
如果你在group_by()之后、调用ungroup()之前查看数据,会发现均值计算本身是正确按playerID聚合出来的,但是原有逐赛季的记录行全部被保留,自然会出现同一个playerID多次出现的情况。这不是分组失效,是没有对分组结果做行压缩处理。
可行修正方案
根据你的分析目的,可选择两种符合逻辑的修正路径:
- 目标为输出每个球员的跨赛季平均数据:将计算均值的
mutate()替换为summarise(),让计算逻辑自动按playerID合并为单条记录,这是最符合tidyverse操作习惯的写法,参考修正后代码:
library(Lahman) library(dplyr) bat_01 <- Batting %>% filter(yearID %in% 1999:2001) %>% mutate(pa = AB + BB, singles = (H - X2B - X3B - HR)/pa, bb = BB/pa) %>% filter(pa >= 100) %>% select(playerID, singles, bb) %>% group_by(playerID) %>% summarise(mean_singles = mean(singles), mean_bb = mean(bb)) %>% filter(mean_bb > 0.2)
- 目标为保留逐赛季的单赛季指标、仅筛选出符合平均上垒率要求的球员:可在原有
mutate()计算后,先取消分组标记,再通过distinct()对每个playerID保留单条记录即可:
library(Lahman) library(dplyr) bat_01 <- Batting %>% filter(yearID %in% 1999:2001) %>% mutate(pa = AB + BB, singles = (H - X2B - X3B - HR)/pa, bb = BB/pa) %>% filter(pa >= 100) %>% select(playerID, singles, bb) %>% group_by(playerID) %>% mutate(mean_singles = mean(singles), mean_bb = mean(bb)) %>% ungroup() %>% filter(mean_bb > 0.2) %>% distinct(playerID, .keep_all = TRUE)
内容的提问来源于stack exchange,提问作者Tigran Danielyan
相关产品推荐
相关产品推荐

