当在summary（）调用中“重用”变量时，dplyr与plyr的不同行为总结（）

Question

我无法找到文档为什么在使用summarize()将来自dplyr的{​​{1}}来电与使用plyr的同一来电进行比较时，会出现以下行为差异。差异归结为dplyr＆＃39; s summarize()立即重用变量（不确定重用是否是正确的习惯用法），而plyr的版本更像（至少）我有其功能的概念模型（ing）。

(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

这就像我预期的那样：ddply()基本上在dfr指示的部分中显示取a，然后首先计算特定变量的均值，然后计算特定变量的sd。

然而，当我使用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

所以这表示在dfr指示的块中取a然后首先计算变量b的平均值，然后使用该均值来计算sd（即{{1}实际上是s）。

我无法找到这两个plyr包之间存在差异的原因。实际上，上述调用的编码风格相当不理想，下面的代码可以正常工作。然而，在我看来，sd(mean(b))两个软件包之间的工作方式完全不同，需要在帮助页面的某处明确指出。

summarize()

Answer 1

如你所说，dplyr重用变量。因此，您的初始代码尝试从一个值计算标准偏差。当您查看标准差的公式时：

您可以看到公式的分母将为0，从而导致NaN结果。

在第二个dplyr代码中，标准偏差是从原始变量计算出来的。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只接受最后创建的变量实例。在链接到@baptiste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。