dplyr中summarise()与across()函数命名冲突问题解析

在使用dplyr进行数据聚合分析时，summarise()函数是一个非常强大的工具，特别是与across()结合使用时，可以极大地简化代码。然而，近期发现了一个值得注意的行为模式：当新创建的列名包含原始数据列名时，可能会导致意外的结果。

问题现象

当我们在summarise()中使用across()函数时，如果新创建的列名包含了原始数据中的列名，就会出现数值类型被意外转换的情况。具体表现为：

library(tidyverse)
table <- tibble(word = runif(100), x = runif(100)) 

# 新列名包含"word"的情况
table |>
  summarise(word_median = median(word), 
            max_word = max(word),
            min_word= min(word),
            across(contains("ord"), n_distinct))

输出结果中，原本应该是数值型的统计量（中位数、最大值、最小值）被转换为了整型，而实际上我们期望它们保持为双精度浮点数。

问题原因

这一现象背后的机制与dplyr的列创建顺序和引用机制有关。在dplyr的summarise()函数中，新创建的列可以引用同一summarise调用中先前创建的列。这种设计在某些场景下非常有用，但在与across()结合使用时可能导致意外的行为。

当新列名包含原始列名时，across()会先处理原始列，创建一个新列（本例中是计算不同word值的数量），然后后续的统计操作可能会错误地引用这个新创建的列而不是原始数据列。

解决方案

针对这一问题，有以下几种解决方案：

1. 调整列创建顺序：将across()调用放在其他统计操作之前

table |>
  summarise(across(contains("ord"), n_distinct),
            word_median = median(word), 
            max_word = max(word),
            min_word= min(word))

2. 避免列名冲突：使用不会与原始列名冲突的新列名

table |>
  summarise(median_val = median(word), 
            maximum = max(word),
            minimum = min(word),
            across(contains("ord"), n_distinct))

3. 使用明确的列引用：通过.data代词明确指定要使用的列

table |>
  summarise(word_median = median(.data$word), 
            max_word = max(.data$word),
            min_word= min(.data$word),
            across(contains("ord"), n_distinct))

最佳实践建议

1. 在使用summarise()进行复杂聚合时，建议先使用across()处理所有列，然后再进行其他统计计算
2. 为新列命名时，尽量避免与原始列名产生包含关系
3. 在可能存在歧义的情况下，使用.data代词明确指定数据来源
4. 对于关键统计计算，建议单独验证结果是否符合预期

理解这一行为有助于我们更安全地使用dplyr进行数据聚合操作，避免在数据分析过程中出现难以察觉的错误。