对于与在 R 中处理数据相关的任何事情，我最近看到 tidyverse 被推荐为几乎必不可少的。这就提出了一个问题——如果它只是被大肆宣传，是否有任何理由不使用它？例如，tidyverse 中的框架是否有任何值得一提的限制？
第一个缺点：稳定性
一个缺点是tidyverse函数的变化比baseR快。所以如果你想要长时间的稳定性，我会选择基础 R。也就是说，tidyverse开发人员对他们的不同方法持开放态度。参见例如欢迎来到 Tidyverse 小插图：
[
baseR 和 tidyverse之间]的最大区别在于优先级：基础 R 高度关注稳定性，而 tidyverse 将在寻找更好的界面时进行重大更改。
...还有哈德利对你是否希望 tidyverse 有一天成为核心 R 包的一部分的回答？
这是极不可能的，因为核心包非常保守，因此
baseR 代码稳定且向后兼容。我更喜欢采用更乌托邦式的方法，在尝试找出更好的 API 的同时，我可以非常积极地进行向后不兼容的更改。
第二个缺点：灵活性
整洁的数据概念很棒，但在转换后具有与以前相同的行号（参见变异）并不总是可能的。见例如
library(tidyverse)
data.frame(matrix(rnorm(1000), ncol= 10)) %>%
mutate_all(function(i) density(i)$x)
由于行号更改，因此会出现错误。有时我会遇到这样的情况，mutate抱怨行号不一样。例如，这与summarise每列仅期望长度为 1 的情况类似range。当然有解决方法，但我更喜欢这里的基本 R
apply(data.frame(matrix(rnorm(1000), ncol= 10)), 2, function(i) density(i)$x)
第三个缺点：复杂
在某些情况下，tidyverse 可以工作，但要麻烦得多。前段时间我问了一个问题如何做这段代码
df[df$age > 90, ] <- NA
在 tidyverse 和建议使用的两个答案中
df %>% select(x, y, age) %>% mutate_all(~replace(.x, age> 90, NA))
# or
df %>% mutate_all(function(i) replace(i, .$age> 90, NA))
两个答案都有效，但显然不像使用基础 R 那样快速编码。
为什么这个问题不应该关闭
该问题已作为重复关闭，并链接到另一个关于 tidyverse 与 data.table 的问题。在我看来，如果有人询问 tidyverse（或任何其他包）的缺点，这并不意味着该人要求与 data.table 包进行比较。相反，通过将 tidyverse 与链接问题中未完成的R base 进行比较，更明显地说明 tidyverse 的缺点，例如，此问题不是重复的。