R中如何使用dplyr的group_by语句按多列统计唯一行数

报错触发根源 #

• 管道符书写错误：% > %在符号之间加了空格，R 会将其识别为独立的语法单元，而非完整的管道运算符%>%，直接触发“找不到对应函数”的报错。正确的管道符无任何内部空格。
• 分组列引用冗余：group_by() 中传入的列名不需要加ds$前缀。管道传入的数据框会作为函数的默认执行上下文，手动加ds$会直接抓取全局环境中完整数据框的列，破坏分组作用域，导致分组逻辑失效。

原代码的逻辑偏差 #

修正管道符和列引用后，原写法sum(!duplicated(ds))依然无法得到正确结果：
duplicated(ds) 是对整个数据集做全局重复判断，不会跟随分组上下文执行，输出的重复标记对所有分组完全一致，统计结果不具备参考性。

可直接运行的正确代码 #

根据按三列分组统计组内唯一行数的需求，可根据实际场景选择对应实现：

• 场景1：统计每个分组的总记录数

  library(dplyr)
  ds <- read.csv("env12k10.csv")
  
  result <- ds %>%
    group_by(age, occupation, workclass) %>%
    summarise(
      row_total = n(),
      .groups = "drop"
    )
  

  代码返回每个(age, occupation, workclass)组合对应的所有记录总数，是最常用的分组统计逻辑。
• 场景2：统计组内剔除完全重复行后的唯一记录数
  如果需要剔除分组内完全重复的整行后再计数，可搭配distinct()实现：

  result <- ds %>%
    group_by(age, occupation, workclass) %>%
    distinct() %>%
    summarise(
      unique_row = n(),
      .groups = "drop"
    )
  

补充提示：此前从技术帖看到的sum(!duplicated())写法，要在分组场景生效，需要显式获取分组内的当前数据，写法为summarise(unique_count = sum(!duplicated(cur_data_all())))，但这种写法可读性差，新手优先推荐distinct()方案。

内容的提问来源于stack exchange，提问作者T R