如何无需dplyr::full_join，实现tidyr::spread与dplyr::summarise分组聚合？

嘿，我完全懂你想简化操作的需求——不用分开做聚合、转宽再合并，直接把dplyr::summarise和类似spread的逻辑结合起来对吧？这里有几个实用的方案，都不需要用到full_join，来看看：

方法1：链式调用聚合+转宽（推荐，兼容多场景） #

现在tidyverse更推荐用tidyr::pivot_wider替代旧的spread函数，功能更强大。我们可以先按分组列和类别列聚合，接着直接转宽，全程链式操作：

示例代码 #

library(tidyverse)

# 先构造一份示例数据
sample_df <- tibble(
  group = rep(c("Group1", "Group2"), each = 4),
  type = rep(c("TypeA", "TypeB"), 4),
  score = rnorm(8, mean = 70, sd = 5)
)

# 核心操作：聚合后直接转宽
result <- sample_df %>%
  group_by(group, type) %>%
  summarise(avg_score = mean(score), .groups = "drop") %>%  # 按组和类别聚合均值
  pivot_wider(names_from = type, values_from = avg_score)  # 转宽表，类别作为列名

这个流程把两步操作串在一起，完全不需要额外的合并步骤，结果就是你想要的宽格式聚合表。

方法2：在summarise中直接做条件聚合（适合已知类别值的场景） #

如果你明确知道所有类别取值，可以直接在group_by分组后，针对每个类别单独计算聚合值，一步生成宽表：

示例代码 #

result <- sample_df %>%
  group_by(group) %>%
  summarise(
    avg_TypeA = mean(score[type == "TypeA"]),
    avg_TypeB = mean(score[type == "TypeB"])
  )

这种方法省去了转宽步骤，直接在聚合阶段就生成了宽表结构，适合类别数量少且固定的情况。

方法3：用across批量生成聚合列（适合多类别场景） #

如果类别数量较多，手动写每个条件太麻烦，可以用dplyr::across批量处理所有类别，自动生成对应的聚合列：

示例代码 #

result <- sample_df %>%
  group_by(group) %>%
  summarise(
    across(all_of(unique(sample_df$type)),  # 遍历所有唯一类别
           ~mean(score[type == .x]),        # 对每个类别计算均值
           .names = "avg_{.col}")           # 自动生成列名前缀
  )

这里across会自动遍历所有类别值，为每个类别生成带前缀的聚合列，非常高效。

如果你坚持要用spread（不推荐，已被标记为过时） #

虽然spread已经被tidyverse官方标记为deprecated，但如果习惯用它，也可以同样链式调用：

result <- sample_df %>%
  group_by(group, type) %>%
  summarise(avg_score = mean(score), .groups = "drop") %>%
  spread(key = type, value = avg_score)

总结 #

这几种方法都能帮你避免用full_join，要么是聚合后直接转宽，要么是在聚合阶段直接生成宽表结构，完全符合你的需求。

内容的提问来源于stack exchange，提问作者CPak