在 summarise() 调用中“重用”变量时，dplyr 与 plyr summarise() 的不同行为

Question

当比较来自dplyr 的summarize() 调用与使用plyr 的相同调用时，我找不到文档为什么会出现以下行为差异。差异归结为dplyr 的summarize() 立即重用一个变量（不确定重用是否是正确的习惯用法）而plyr 的版本更像是（至少）我拥有的概念模型函数。

(dfr <- data.frame(a=gl(3,3, labels=letters[1:3]), b=c(1:3, rep(NA_integer_, 3), 1:2, NA_integer_)))
ddply(dfr, .(a), summarize, b=mean(b, na.rm=TRUE), s=sd(b, na.rm=TRUE))
  a   b         s
1 a 2.0 1.1547005
2 b NaN 0.0000000
3 c 1.5 0.8660254

正如我所料：ddply() 基本上是在a 指示的部分中表示取dfr，然后首先计算平均值，然后计算特定变量的标准差。

但是，当我改用 dplyr 时，我得到了这个：

dfr %>% group_by(a) %>% summarize(b=mean(b, na.rm=TRUE), s=sd(b, na.rm=TRUE))
Source: local data frame [3 x 3]

  a   b   s
1 a 2.0 NaN
2 b NaN NaN
3 c 1.5 NaN

所以这说在a 指示的块中取dfr，然后首先计算变量b 的平均值，然后使用该平均值计算sd（即s 实际上是sd(mean(b))） .

我无法找到两个 plyr 软件包之间存在这种差异的方式/原因的提示。而且，确实，上述调用的编码风格相当欠佳，下面的代码可以正常工作。尽管如此，在我看来，summarize() 在两个包之间的工作方式非常不同，因此需要在帮助页面的某个地方明确指出。

dfr %>% group_by(a) %>% summarize(m=mean(b, na.rm=TRUE), s=sd(b, na.rm=TRUE))
Source: local data frame [3 x 3]

  a   m         s
1 a 2.0 1.0000000
2 b NaN       NaN
3 c 1.5 0.7071068

Answer 1

正如你所说，dplyr 重用变量。因此，您的初始代码试图仅计算一个值的标准偏差。当您查看标准差的公式时：

你可以看到公式的分母会有0，这会导致NaN的结果。

在您的第二个dplyr 代码中，标准偏差是根据原始变量计算的。由于计算sd 的组具有n > 1，因此在这种情况下，分母大于零，这将导致sd 值。

dplyr 只获取最后创建的变量实例。在@baptiste 链接的页面中，您可以找到this statement of Hadley Wickham，从中您可以得出结论，在创建新变量时最好使用新名称。

我认为应该在文档中明确说明这种行为。