合并重复主体：数值数据求均值、分类数据保留的技术实现咨询

嘿，这个问题我碰到过好多次！你用aggregate()的时候踩了个常见的小坑——直接对整个数据框应用函数的话，它会尝试对所有列执行均值计算，包括非数值的分类列，自然就报错了。下面给你几个靠谱的解决办法，挑你顺手的来：

方法1：用dplyr（tidyverse风格，直观易读） #

如果平时习惯用tidyverse工具链，这个方法最省心。核心思路是按分类列分组，然后对数值列求均值，分类列直接保留（因为分组后每组的分类值都是重复的，取第一个/唯一值都可以）：

# 先加载dplyr包
library(dplyr)

# 假设你的数据框叫df，A是分类列，B、C是数值列，D是另一分类列
df_processed <- df %>%
  group_by(A) %>%  # 按重复的分类主体分组
  summarise(
    # 对每个数值列求均值，记得处理NA值
    B_mean = mean(B, na.rm = TRUE),
    C_mean = mean(C, na.rm = TRUE),
    # 其他分类列因为每组值都重复，用first()或unique()提取即可
    D = first(D)
  ) %>%
  ungroup()  # 取消分组，变回普通数据框

方法2：用aggregate()的公式写法（base R原生，不用额外装包） #

其实aggregate()本身就支持只对指定数值列操作，你之前可能用错了写法。用公式格式可以明确指定哪些列要计算均值，哪些列作为分组依据：

# 公式格式：cbind(数值列1, 数值列2) ~ 分类列1 + 分类列2
# 这样只会对左边的数值列应用均值，右边的分类列保留为分组键
df_processed <- aggregate(cbind(B, C) ~ A + D, data = df, FUN = mean, na.rm = TRUE)

这个方法不用装额外的包，适合不想引入新依赖的场景。

方法3：用data.table（大数据场景效率更高） #

如果你的数据量很大，data.table的速度会比前两种快很多，写法也简洁：

# 加载data.table包并转换数据格式
library(data.table)
setDT(df)

# 按A分组，计算数值列均值，保留其他分类列
df_processed <- df[, .(
  B_mean = mean(B, na.rm = TRUE),
  C_mean = mean(C, na.rm = TRUE),
  D = first(D)
), by = A]

关键注意点 #

• 所有方法里都加了na.rm = TRUE，避免因为存在NA值导致均值计算结果为NA，根据你的数据情况可以调整。
• 分类列如果有多个，只需要在group_by()（dplyr）、公式右边（aggregate）或by=（data.table）里加上所有分类列即可。

内容的提问来源于stack exchange，提问作者perherring