当我以稍微不同的方式运行这个均值时，为什么会得到不同的结果？

Question

在第一个代码块中，我按 VAR1 进行分组，并根据 VAR1 的两个类别获得 VAR2 的平均值。但是，当我仅从 VAR1 中选择感兴趣的类别时，为了获得 VAR2 属于 VAR1 中 类别 1 的人员的平均值代码>，我得到了不同的结果。

我做错了什么？

 DF %>%
   na.omit() %>%
   group_by(VAR1) %>% 
   summarise(mean(VAR2))

# A tibble: 2 × 2
  VAR1 `mean(VAR2)`
                     <dbl>                         <dbl>
1                        0                          12.1
2                        1                          11.6

> mean(DF[DF$VAR1 == 1, 'VAR2',],na.rm=TRUE)

[1] 11.95238

Answer 1

在这些情况下，VAR1 平均值的差异可能来自于另一列中存在 NA，正如@DanY 简要解释的那样。我将尝试通过以下示例来详细说明这一点。假设我们有由三列组成的 DF，其中两列来自 mtcars，另一列来自 VAR1。假设有 15 行 VAR1 为 0。

library(dplyr) 
DF <- mtcars %>% select(mpg, cyl)
DF$VAR1 <- c(rep(0, 15),rep(1,17))
DF
#                     mpg cyl VAR1
#Mazda RX4           21.0   6    0
#Mazda RX4 Wag       21.0   6    0
#Datsun 710          22.8   4    0
#Hornet 4 Drive      21.4   6    0
#Hornet Sportabout   18.7   8    0
#Valiant             18.1   6    0
#Duster 360          14.3   8    0
#Merc 240D           24.4   4    0
#Merc 230            22.8   4    0
#Merc 280            19.2   6    0
#Merc 280C           17.8   6    0
#Merc 450SE          16.4   8    0
#Merc 450SL          17.3   8    0
#Merc 450SLC         15.2   8    0
#Cadillac Fleetwood  10.4   8    0
#Lincoln Continental 10.4   8    1
#Chrysler Imperial   14.7   8    1
#Fiat 128            32.4   4    1
#Honda Civic         30.4   4    1
#Toyota Corolla      33.9   4    1
#Toyota Corona       21.5   4    1
#Dodge Challenger    15.5   8    1
#AMC Javelin         15.2   8    1
#Camaro Z28          13.3   8    1
#Pontiac Firebird    19.2   8    1
#Fiat X1-9           27.3   4    1
#Porsche 914-2       26.0   4    1
#Lotus Europa        30.4   4    1
#Ford Pantera L      15.8   8    1
#Ferrari Dino        19.7   6    1
#Maserati Bora       15.0   8    1
#Volvo 142E          21.4   4    1

现在，我们将 cyl 的三个值更改为 NA。

DF$cyl[3:5] <- NA
head(DF)
#                   mpg cyl VAR1
#Mazda RX4         21.0   6    0
#Mazda RX4 Wag     21.0   6    0
#Datsun 710        22.8  NA    0
#Hornet 4 Drive    21.4  NA    0
#Hornet Sportabout 18.7  NA    0
#Valiant           18.1   6    0

现在，DF 仍然有 15 个 mpg 值，其中 VAR1 为 0，因为 mpg 都没有VAR1 也没有 NA。现在我们尝试比较您所比较的两种情况下 mpg 的平均值：

DF %>% na.omit() %>% group_by(VAR1) %>% summarise(mean(mpg))
# A tibble: 2 x 2
#   VAR1 `mean(mpg)`
#  <dbl>       <dbl>
#1     0        18.2
#2     1        21.3

mean(DF[DF$VAR1 == 0, 'mpg',], na.rm = TRUE)
#[1] 18.72
mean(DF[DF$VAR1 == 1, 'mpg',], na.rm = TRUE)
#[1] 21.3

显然您得到了不同的平均值。这是因为在 DF %>% na.omit() 中对 DF 进行操作，因此 DF 中任何行中的任何 NA 值都会导致遗漏该行的。这就是为什么 cyl 中包含 NA 的三行被省略，这样 mpg 列只有 12 个值，然后计算其中的平均值。

DF %>% na.omit()
#                     mpg cyl VAR1
#Mazda RX4           21.0   6    0
#Mazda RX4 Wag       21.0   6    0
#Valiant             18.1   6    0
#Duster 360          14.3   8    0
#Merc 240D           24.4   4    0
#Merc 230            22.8   4    0
#Merc 280            19.2   6    0
#Merc 280C           17.8   6    0
#Merc 450SE          16.4   8    0
#Merc 450SL          17.3   8    0
#Merc 450SLC         15.2   8    0
#Cadillac Fleetwood  10.4   8    0
#Lincoln Continental 10.4   8    1
#Chrysler Imperial   14.7   8    1
#Fiat 128            32.4   4    1
#Honda Civic         30.4   4    1
#Toyota Corolla      33.9   4    1
#Toyota Corona       21.5   4    1
#Dodge Challenger    15.5   8    1
#AMC Javelin         15.2   8    1
#Camaro Z28          13.3   8    1
#Pontiac Firebird    19.2   8    1
#Fiat X1-9           27.3   4    1
#Porsche 914-2       26.0   4    1
#Lotus Europa        30.4   4    1
#Ford Pantera L      15.8   8    1
#Ferrari Dino        19.7   6    1
#Maserati Bora       15.0   8    1
#Volvo 142E          21.4   4    1

DF %>% na.omit() %>% filter(VAR1 == 0) %>% pull(mpg) %>% mean
# [1] 18.15833

另一方面，DF[DF$VAR1 == 0, 'mpg',]仅对mpg列进行操作，与cyl<无关/代码>。这就是为什么它有 15 个 mpg 值，没有 NA，因此 na.rm 不会省略任何内容。

DF[DF$VAR1 == 0, 'mpg',]
#[1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4
#[13] 17.3 15.2 10.4

mean(DF[DF$VAR1 == 0, 'mpg',], na.rm = TRUE)
#[1] 18.72