dplyr 分组聚合：group_by、summarise 与 across 实战

论文里的描述统计表大多长这样：三组实验对象，每组一个均值、一个标准差、一个样本量。手算不现实，写 for 循环也难看。dplyr 的做法是把「按什么分组」和「每组算什么」拆开写：group_by() 声明分组变量，summarise() 声明每组的汇总结果。

group_by + summarise 的基本形态

ToothGrowth 是 R 内置的牙齿生长数据，60 只豚鼠分成两组补给方式（supp：橙汁 OJ / 维生素 C VC），每组又注射三种剂量（dose：0.5、1、2 毫克），每组 10 只，记录牙齿长度 len：

library(dplyr)

ToothGrowth |>
  group_by(supp, dose) |>
  summarise(
    n      = n(),
    mean_len = mean(len),
    .groups = "drop"
  )

# A tibble: 6 × 4
  supp   dose     n mean_len
  <chr> <dbl> <int>    <dbl>
1 OJ      0.5    10     13.2
2 OJ        1    10     22.7
3 OJ        2    10     26.1
4 VC      0.5    10     7.98
5 VC        1    10     16.8
6 VC        2    10     26.1

读这段代码的关键在于：summarise() 里的 mean(len) 不是对 60 行算均值，而是对当前组的行算。group_by() 之后的每一个动词都换了一套「按组执行」的语义，n() 返回当前组的行数——这是 dplyr 特有的计数函数，只能用在分组数据或 summarise() / mutate() 里，不能单独运行。

从结果能读出实验结论：剂量从 0.5 升到 2，两条曲线都涨；低剂量下橙汁组的牙齿更长（13.2 对 7.98），高剂量下两组几乎持平（26.1 对 26.1）。这属于典型的交互效应，值得做双因素方差分析，见 /r/modeling/anova。

多列分组与 .groups 参数

分组变量多于一个、又不写 .groups 时，R 会额外打印一条提示。把第一个例子里的 .groups = "drop" 删掉再跑一次：

ToothGrowth |>
  group_by(supp, dose) |>
  summarise(n = n(), mean_len = mean(len))

`summarise()` has grouped output by 'supp'. You can override using the
`.groups` argument.
# A tibble: 6 × 4
# Groups:   supp [2]
  supp   dose     n mean_len
  <chr> <dbl> <int>    <dbl>
1 OJ      0.5    10     13.2
2 OJ        1    10     22.7
3 OJ        2    10     26.1
4 VC      0.5    10     7.98
5 VC      1    10     16.8
6 VC      2    10     26.1

结果本身没错，但注意输出头部的 # Groups: supp [2]——它还是分组数据框，只不过分组变量从 supp + dose 降成了 supp。summarise() 每次都「剥掉」最内层的分组变量，外层分组继续保留（这叫 peel-off 规则）。这和第一个例子的区别值得记住：那里显式写了 .groups = "drop"，所以结果是干净的普通 tibble；这里没写，结果带着分组状态往下走，后面再写 mutate() 或 filter() 时计算基准就变成了同一 supp 下的 30 只豚鼠，而不是当前那一组 10 只。

只有一个分组变量时，提示会换成另一句话：summarise() ungrouping output (override with .groups argument)——因为已经没有外层分组可以保留，结果直接退化为普通 tibble。

.groups 有三个取值：

"drop_last"（默认）：去掉最内层分组变量，保留其余；
"drop"：去掉全部分组，返回普通 tibble；
"keep"：保留和数据同样的分组结构。

建议在 summarise() 里显式写上 .groups = "drop"。理由很实际：默认行为取决于你有几个分组变量，代码读起来要在脑子里跑一遍 peel-off 规则，不如直接写死。

n() 与 n_distinct()

n() 数行数，n_distinct() 数去重后的个数，两个函数经常一起用来看数据的覆盖情况：

mtcars |>
  group_by(cyl) |>
  summarise(
    cars       = n(),
    carb_types = n_distinct(carb),
    .groups = "drop"
  )

# A tibble: 3 × 3
    cyl  cars carb_types
  <dbl> <int>      <int>
1     4    11          2
2     6     7          3
3     8    14          4

n_distinct() 默认把 NA 也算作一个不同的值，想排除要写 n_distinct(carb, na.rm = TRUE)。这两个函数都不接受参数用来「作用于某一列」——n() 永远返回当前组行数。想数某个条件成立的行数，用 sum(条件)：summarise(n_high = sum(mpg > 25))。

across()：一次聚合多列

要同时算多列均值，把 summarise() 写成三行重复代码很啰嗦。across() 接受「选哪些列」和「怎么算」两个参数，一次搞定：

mtcars |>
  group_by(cyl) |>
  summarise(across(c(mpg, hp, wt), mean), .groups = "drop")

# A tibble: 3 × 4
    cyl   mpg    hp    wt
  <dbl> <dbl> <dbl> <dbl>
1     4  26.7  82.6  2.29
2     6  19.7  122.  3.12
3     8  15.1  209.  4.00

第一列的选择部分支持 select() 的全部辅助函数，所以 across(where(is.numeric), mean) 就是「所有数值列求均值」，across(starts_with("q"), mean) 是「所有以 q 开头的列求均值」。第二部分的函数也可以写成多个，同时输出多列：

ToothGrowth |>
  group_by(dose) |>
  summarise(across(len, list(mean = mean, sd = sd)), .groups = "drop")

这时输出列名是 len_mean、len_sd。注意 hp、vs 这类列在 mtcars 里是数值但语义上是分类变量，across(where(is.numeric)) 会把它们一起平均——数值编码的顺序变量求均值没有意义，选列时还是明确写出列名更稳妥。

count()：计数别写三行

只想知道每个组有多少行，group_by() 加 summarise(n = n()) 是杀鸡用牛刀。count() 一步到位：

count(mtcars, cyl)

# A tibble: 3 × 2
    cyl     n
  <dbl> <int>
1     4    11
2     6     7
3     8    14

count(x, a, b) 等价于 x |> group_by(a, b) |> summarise(n = n(), .groups = "drop")，而且返回的是未分组的 tibble，不会有忘记 ungroup() 的隐患。加上 sort = TRUE 会按计数降序排列，做频数表很顺手。

分组会改变后续动词的含义

group_by() 的效力会一直延续到 ungroup() 为止，中间夹的 mutate()、filter()、slice_*() 全都按组执行——这既是最有用的特性，也是事故高发区。

library(tibble)

cars <- as_tibble(mtcars, rownames = "model")

cars |>
  select(model, cyl, mpg) |>
  group_by(cyl) |>
  slice_max(mpg, n = 1)

# A tibble: 3 × 3
# Groups:   cyl [3]
  model              cyl   mpg
  <chr>            <dbl> <dbl>
1 Toyota Corolla       4  33.9
2 Hornet 4 Drive       6  21.4
3 Pontiac Firebird     8  19.2

每个缸数取油耗最高的一辆。如果漏掉 group_by()，slice_max() 只会返回全表最省油的那一行（Toyota Corolla），而不是每组一行。注意结果头部多了 # Groups: cyl [3]，提示这个 tibble 还是分组状态。

filter() 在分组下的行为同样值得注意：filter(n() >= 10) 保留样本量不少于 10 的组——这是「按组规模筛选行」的标准写法，等价于先 add_count() 再筛选。反过来，忘记 ungroup() 直接写 filter(mpg > mean(mpg))，比较基准就变成了组内均值而不是全样本均值，结果看起来也合理，只是和你想要的东西不一样。

dplyr 1.1 之后新增了 .by 参数，可以让单次操作临时分组，不产生分组残留：

cars |>
  summarise(mean_mpg = mean(mpg), .by = cyl)

summarise()、mutate()、filter()、slice_*() 都支持 .by。只有一步汇总时用它比 group_by() 更干净，也就没有 .groups 提示信息的困扰。要记住它只作用于当前这一步：.by 的分组不会传给下一个动词，连着几步都要按同一变量分组，还是得回到 group_by()。

分组结果怎么用

分组汇总的结果通常直接进下一环：写成论文表格（/r/reporting/tables），或者画成带误差棒的柱状图——绘图前记得 ungroup()，否则有些几何对象会按组重复绘制。

如果你也用 Python，pandas 里对应的是 df.groupby(...).agg(...)，可以对照 /python/pandas/groupby-agg 看同一种操作的另一种表达。分组的思想是通用的，差别主要在分组状态的传递方式：pandas 的 groupby 返回一个中间对象，不写 .agg() 就不会落成数据框；dplyr 则是把分组状态挂在数据框上。