.. #>..$萼片宽度：num[1:50]3.3 2.7 3 2.9 3 2.5 2.9 2.5 3.6。。。 #>..$Petal.长度：num[1:50]6 5.1 5.9 5.6 5.8 6.6 4.5 6.3 5.8 6.1。。。 #>..$Petal.Width:num[1:50]2.51.92.111.82.22.111.71.81.81.81.82.5。。。 #>..$物种：系数w/3级“刚毛”、“花色”、..：3。。。 #如果要使用未按组应用的函数 示例n（df_b%>%ungroup（），10） #>#A tible:10 x 5 #>萼片。长萼片。宽花瓣。长花瓣。宽种 #> #>1 7.7 3.8 6.7 2.2弗吉尼亚州 #>2.6.1 2.9 4.7 1.4彩色 #>3 5 3 1.6 0.2刚毛 #>4 7.2 3.6 6.1 2.5弗吉尼亚州 #>5.6.8 2.8 4.8 1.4彩色 #>6.5.8 2.7 4.1 1彩色 #>7.6.3 4.4 1.4彩色 #>8 7.7 2.8 6.7 2弗吉尼亚州 #>9.5.1 3.5 1.4 0.2刚毛 #>10 5 3.4 1.5 0.2刚毛

来自该集团的文档，其中写道：

大多数数据操作是在由变量定义的组上完成的。group_by（）接受现有tbl并将其转换为分组tbl，在分组tbl中，“按组”执行操作。ungroup（）删除分组

因此，即使它看起来像相同的TIBLE，您也必须将其视为

split（iris，iris$Species）

中的

base

库（dplyr，quietly=TRUE，warn.conflications=FALSE）
df_b%
分组（物种）
属性（df_b）
#>$names
#>[1]“萼片长”“萼片宽”“花瓣长”“花瓣宽”
#>[5]“物种”
#> 
#>美元级
#>[1]“分组数据”tbl\U df“tbl”数据帧
#> 
#>$row.name
#>   [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17
#>  [18]  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34
#>  [35]  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51
#>  [52]  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68
#>  [69]  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85
#>  [86]  86  87  88  89  90  91  92  93  94  95  96  97  98  99 100 101 102
#> [103] 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
#> [120] 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
#> [137] 137 138 139 140 141 142 143 144 145 146 147 148 149 150
#> 
#>$组
#>#tibble:3 x 2
#>种类。行
#>             
#>1刚毛
#>2花色
#>3弗吉尼亚州
#以R为基准的等效值为：
str（分裂（虹膜，虹膜$物种））
#>3人名单
#>$setosa:'data.frame'：50 obs。共有5个变量：
#>..$萼片长度：num[1:50]5.14.944.744.655.444.654.944.9。。。
#>..$萼片宽度：num[1:50]3.5 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1。。。
#>..$Petal.长度：num[1:50]1.41.41.31.51.41.71.71.41.51.51.41.41.41.51.51.5。。。
#>..$Petal.宽度：num[1:50]0.20.20.20.20.20.20.40.40.30.20.20.20.1。。。
#>..$物种：系数w/3级“刚毛”、“花色”、..：1。。。
#>$versicolor:'data.frame'：50 obs。共有5个变量：
#>..$萼片长度：num[1:50]76.46.95.56.55.76.34.96.65.65。。。
#>..$萼片宽度：num[1:50]3.23.23.12.32.82.82.83.32.42.92.7。。。
#>..$Petal.长度：num[1:50]4.74.544.944.644.544.544.734.633.634.633.9。。。
#>..$Petal.宽度：num[1:50]1.41.51.51.31.51.51.31.31.61.31.31.31.4。。。
#>..$物种：系数w/3级“刚毛”、“花色”..：2。。。
#>$virginica:'data.frame'：50 obs。共有5个变量：
#>..$萼片长度：num[1:50]6.3 5.8 7.1 6.3 6.5 7.6 4.9 7.3 6.7 7.2。。。
#>..$萼片宽度：num[1:50]3.3 2.7 3 2.9 3 2.5 2.9 2.5 3.6。。。
#>..$Petal.长度：num[1:50]6 5.1 5.9 5.6 5.8 6.6 4.5 6.3 5.8 6.1。。。
#>..$Petal.Width:num[1:50]2.51.92.111.82.22.111.71.81.81.81.82.5。。。
#>..$物种：系数w/3级“刚毛”、“花色”、..：3。。。
#如果要使用未按组应用的函数
示例n（df_b%>%ungroup（），10）
#>#A tible:10 x 5
#>萼片。长萼片。宽花瓣。长花瓣。宽种
#>                                       
#>1 7.7 3.8 6.7 2.2弗吉尼亚州
#>2.6.1 2.9 4.7 1.4彩色
#>3 5 3 1.6 0.2刚毛
#>4 7.2 3.6 6.1 2.5弗吉尼亚州
#>5.6.8 2.8 4.8 1.4彩色
#>6.5.8 2.7 4.1 1彩色
#>7.6.3 4.4 1.4彩色
#>8 7.7 2.8 6.7 2弗吉尼亚州
#>9.5.1 3.5 1.4 0.2刚毛
#>10 5 3.4 1.5 0.2刚毛

library(dplyr)

iris %>%
  group_by(Species) %>%
  summarise(mean_petal_length = mean(Petal.Length)) %>%
  mutate(n = n())

# A tibble: 3 x 3
#  Species    mean_petal_length     n
#  <fct>                  <dbl> <int>
#1 setosa                  1.46     3
#2 versicolor              4.26     3
#3 virginica               5.55     3

iris %>%
  group_by(Species) %>%
  mutate(Petal.Length = mean(Petal.Length)) %>%
  mutate(n = n())

# A tibble: 150 x 6
# Groups:   Species [3]
#   Sepal.Length Sepal.Width Petal.Length Petal.Width Species     n
#          <dbl>       <dbl>        <dbl>       <dbl> <fct>   <int>
# 1          5.1         3.5         1.46         0.2 setosa     50
# 2          4.9         3           1.46         0.2 setosa     50
# 3          4.7         3.2         1.46         0.2 setosa     50
# 4          4.6         3.1         1.46         0.2 setosa     50
# 5          5           3.6         1.46         0.2 setosa     50
# 6          5.4         3.9         1.46         0.4 setosa     50
# 7          4.6         3.4         1.46         0.3 setosa     50
# 8          5           3.4         1.46         0.2 setosa     50
# 9          4.4         2.9         1.46         0.2 setosa     50
#10          4.9         3.1         1.46         0.1 setosa     50
# … with 140 more rows

mtcars %>%
  group_by(cyl, am) %>%
  summarise(mean = mean(mpg))

# A tibble: 6 x 3
# Groups:   cyl [3]
#    cyl    am  mean
#  <dbl> <dbl> <dbl>
#1     4     0  22.9
#2     4     1  28.1
#3     6     0  19.1
#4     6     1  20.6
#5     8     0  15.0
#6     8     1  15.4