对于任何与在 R 中处理数据相关的事情，我最近一直认为 tidyverse 几乎是必不可少的。这就提出了一个问题——如果这就是它所宣传的一切，有什么理由不使用它吗？例如，tidyverse 中的框架是否有任何值得一提的限制？
【问题讨论】：
第一个缺点：稳定性
一个缺点是tidyverse 函数的变化比base R 更快。因此，如果您想要长期稳定，我会选择base R。也就是说，tidyverse 开发人员对他们的开发持开放态度不同的方法。参见例如Welcome to the Tidyverse vignette:
[
baseR 和 tidyverse 之间] 的最大区别在于优先级：base R 高度关注稳定性，而 tidyverse 会在寻找更好的界面时做出重大改变。
...哈德利对Do you expect the tidyverse to be the part of core R packages some day?的回答
这是极不可能的，因为核心包非常保守，所以
baseR 代码是稳定的，并且向后兼容。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mutate）并不总是可能的。参见示例
library(tidyverse)
data.frame(matrix(rnorm(1000), ncol= 10)) %>%
mutate_all(function(i) density(i)$x)
由于行号更改而导致错误。有时我会遇到mutate 抱怨行号不一样的情况。与summarise 类似，它期望每列只有一个长度，例如range 不是这种情况。当然，有一些解决方法，但我更喜欢这里的基本 R
apply(data.frame(matrix(rnorm(1000), ncol= 10)), 2, function(i) density(i)$x)
第三个缺点：复杂性
在某些情况下，tidyverse 可以工作，但要麻烦得多。前段时间问了一个question这个代码怎么做
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))
这两个答案都有效，但显然不如使用基本 R 编码。
第四个缺点：局限性
如果你想定义你自己的函数，你可以做类似my_fun <- function(x) ... 的事情，其中function 本身是一个base R 函数，据我所知没有tidyverse 对应物。有很多例子，base R 函数没有 tidyverse 等价物，而且可能永远不会有，例如rnorm、eval、c 等等。事实上，这并不是tidyverse 的缺点，但它表明tidyverse 和base 对不同的事物都有好处，这就是为什么你应该同时学习两者。
为什么不应该结束这个问题
该问题已作为重复问题关闭，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 not 完成的 R base 进行比较，可以更明显地看出 tidyverse 的缺点，例如这个问题不是重复的。
【讨论】：