在dplyr::summarise中使用句号(.)引用分组内子表的问题

你遇到的这个问题其实是dplyr分组语境下引用数据的常见误区——在group_by()之后直接用summarise(res = myFUN(.))时，这里的.指向的还是原始的完整数据框，而非当前分组的子数据集，所以才会得到三组结果完全相同的情况。

问题重现 #

首先是你的输入数据和自定义函数：

require(dplyr)

set.seed(123)

df <- tibble(g = rep(x = c("A", "B", "C"), times = c(3, 5, 7)),
             a = sample(x = 1:100, size = 15),
             b = sample(x = 1:100, size = 15))

# 自定义函数
myFUN <- function(x){
  mean(x$a + x$b)
}

你尝试的错误写法及得到的错误结果：

# 错误写法：所有分组结果一致
df %>%
  group_by(g) %>%
  summarise(res = myFUN(.))

输出：

# A tibble: 3 × 2
  g       res
  <chr> <dbl>
1 A      112.
2 B      112.
3 C      112.

你用循环实现的预期结果是正确的：

# 预期结果（循环实现）
out <- list()
for(i in unique(df$g)){
  out[[length(out) + 1]] <- tibble(g = i,
                                   res = df %>% filter(g == i) %>% myFUN)
}
out |> bind_rows()

输出：

# A tibble: 3 × 2
  g       res
  <chr> <dbl>
1 A      98.3
2 B     126.
3 C     109.

正确解决方案 #

要让函数处理每个分组的子表，我们可以用group_map()来实现，它会自动把每个分组的子数据框传递给指定函数：

df %>%
  group_by(g) %>%
  group_map(.f = function(.x, .y){
    .x %>%
      summarise(res = myFUN(.)) %>%
      mutate(g = .y$g, .before = 1)
  }) %>%
  bind_rows()

这里的.x就是当前分组的子数据框，.y则是包含当前分组键信息的小数据框，我们用它把分组标识g加回到结果里，最后用bind_rows()合并所有分组结果，就能得到和循环一致的正确输出。

补充简化方案 #

如果你不想用group_map()，也可以修改自定义函数，让它直接接受列参数，这样更贴合dplyr的语法习惯：

# 修改后的函数
myFUN2 <- function(a, b){
  mean(a + b)
}

# 直接在summarise中调用
df %>%
  group_by(g) %>%
  summarise(res = myFUN2(a, b))

这种写法更简洁，同样能得到正确的分组计算结果。

备注：内容来源于stack exchange，提问作者Wencheng Lau-Medrano