dplyr中across()函数与分组变量交互的注意事项

在使用dplyr进行数据操作时，across()函数是一个非常强大的工具，它允许我们对多个列应用相同的操作。然而，在与分组变量交互时，across()函数有一些特殊的行为需要特别注意。

问题现象

当我们在dplyr的summarise()或mutate()等动词中使用across()函数时，如果尝试对分组变量进行否定选择（如!a或!(a:b)），会遇到一个常见错误。例如：

dat <- tibble(
  a = rep(c("a", "b"), 2),
  b = 1:4,
  c = 5:8
)

dat |>
  summarise(across(!a, mean), .by = a)

这会抛出错误："Can't select columns that don't exist. Column a doesn't exist."

原因分析

这个问题的根本原因在于dplyr的设计逻辑：

1. 当使用.by参数时，指定的分组变量（如例子中的a）会被自动处理
2. across()函数在设计上无法"看到"这些分组变量，因为它们已经被动词（如summarise()）接管
3. 当我们尝试否定选择分组变量时，across()会首先尝试查找这个变量，但由于它已经被分组机制接管，所以会报告变量不存在

解决方案

针对这种情况，有几种推荐的解决方案：

1. 使用everything()选择器：

dat |>
  summarise(across(everything(), mean), .by = a)

2. 明确指定要操作的列：

dat |>
  summarise(across(c(b, c), mean), .by = a)

3. 使用where()选择器：

dat |>
  summarise(across(where(is.numeric), mean), .by = a)

最佳实践建议

1. 在使用across()时，尽量避免对分组变量进行否定选择
2. 如果需要对非分组变量进行操作，最好明确指定这些变量或使用更精确的选择器
3. 记住分组变量已经被dplyr动词自动处理，不需要（也不能）在across()中再次操作它们

深入理解

这种行为实际上是dplyr设计上的一种保护机制。分组变量在数据处理流程中具有特殊地位，它们：

• 决定了数据的分组结构
• 会自动包含在结果中
• 不应该在后续操作中被修改或删除

因此，across()函数无法访问这些分组变量，是为了确保数据操作的完整性和一致性。

对于dplyr用户来说，理解这种设计哲学有助于写出更健壮、更符合预期的代码。当遇到类似问题时，考虑使用更明确的选择策略，而不是依赖否定选择，通常是更好的解决方案。