dplyr 0.8.0中group_by配合cumsum时分组失效问题

嘿，这个坑我之前踩过！在dplyr 0.8.0版本里，分组后用cumsum()得不到预期的组内累计结果，大概率是因为操作顺序的问题——这个版本的arrange()默认会忽略分组上下文，要是顺序没搞对，很容易让后续的分组计算“跑偏”。

先给你重现一下问题场景（补全你没写完的代码）：

library(dplyr)

set.seed(123) # 固定随机种子，方便复现
test_data <- data.frame(
  cat = sample(c("a", "b", "c"), size = 1000, replace = TRUE),
  date = sample(seq(as.Date('1999/01/01'), as.Date('2000/01/01'), by="day"), 1000, replace=TRUE)
) %>% 
  mutate(x = 1) %>% 
  arrange(date) %>% # 先全局按日期排序
  group_by(cat) %>% # 按cat分组
  mutate(cumulative_x = cumsum(x)) # 这里在0.8.0里可能会得到全局累计，而非组内累计

两种靠谱的解决办法： #

办法一：先分组，再组内排序

这是最稳妥的操作顺序，因为group_by()之后调用arrange()时，加上.by_group = TRUE参数，就能确保是在每组内部按日期排序，后续的cumsum()自然会严格按组计算：

set.seed(123)
fixed_data <- data.frame(
  cat = sample(c("a", "b", "c"), size = 1000, replace = TRUE),
  date = sample(seq(as.Date('1999/01/01'), as.Date('2000/01/01'), by="day"), 1000, replace=TRUE)
) %>% 
  mutate(x = 1) %>% 
  group_by(cat) %>% # 先按cat分组
  arrange(date, .by_group = TRUE) %>% # 组内按日期排序
  mutate(cumulative_x = cumsum(x)) # 现在每组的cumulative_x是独立累计的

# 验证一下，比如看cat="a"的前几条数据，累计值是按日期递增的组内累计
fixed_data %>% filter(cat == "a") %>% head(10)

办法二：先全局排序，再强制确认分组（适合必须先排序的场景）

如果你因为业务需求必须先做全局排序，那可以在group_by()里明确强化分组上下文，确保后续的cumsum()能识别分组规则：

set.seed(123)
fixed_data_alt <- data.frame(
  cat = sample(c("a", "b", "c"), size = 1000, replace = TRUE),
  date = sample(seq(as.Date('1999/01/01'), as.Date('2000/01/01'), by="day"), 1000, replace=TRUE)
) %>% 
  mutate(x = 1) %>% 
  arrange(date) %>% 
  group_by(cat, .add = FALSE) %>% # 明确创建新的分组上下文
  mutate(cumulative_x = cumsum(x))

本质上，dplyr 0.8.0对arrange()和group_by()的交互逻辑做了调整，默认不再保留分组排序，所以只要把分组放在排序前面，或者明确指定组内排序，就能解决这个问题。

内容的提问来源于stack exchange，提问作者Bob