您可以使用mutate手动执行此操作，summarise中有一些额外的函数

library(dplyr)
mtcars %>%
  group_by(vs) %>%
  summarise(mean.mpg = mean(mpg, na.rm = TRUE),
            sd.mpg = sd(mpg, na.rm = TRUE),
            n.mpg = n()) %>%
  mutate(se.mpg = sd.mpg / sqrt(n.mpg),
         lower.ci.mpg = mean.mpg - qt(1 - (0.05 / 2), n.mpg - 1) * se.mpg,
         upper.ci.mpg = mean.mpg + qt(1 - (0.05 / 2), n.mpg - 1) * se.mpg)

#> Source: local data frame [2 x 7]
#> 
#>      vs mean.mpg   sd.mpg n.mpg    se.mpg lower.ci.mpg upper.ci.mpg
#>   (dbl)    (dbl)    (dbl) (int)     (dbl)        (dbl)        (dbl)
#> 1     0 16.61667 3.860699    18 0.9099756     14.69679     18.53655
#> 2     1 24.55714 5.378978    14 1.4375924     21.45141     27.66287

我使用 gmodels 包中的 ci 命令：

library(gmodels)
your_db %>% group_by(gouping_variable1, grouping_variable2, ...)
        %>% summarise(mean = ci(variable_of_interest)[1], 
                      lowCI = ci(variable_of_interest)[2],
                      hiCI = ci(variable_of_interest)[3], 
                      sd = ci (variable_of_interest)[4])

如果您想使用boot包的多功能性，我找到了this blog post useful（下面的代码就是从那里得到的灵感）

library(dplyr)
library(tidyr)
library(purrr)
library(boot)

set.seed(321)
mtcars %>%
  group_by(vs) %>%
  nest() %>% 
  mutate(boot_res = map(data,
                        ~ boot(data = .$mpg,
                               statistic = function(x, i) mean(x[i]),
                               R = 1000)),
         boot_res_ci = map(boot_res, boot.ci, type = "perc"),
         mean = map(boot_res_ci, ~ .$t0),
         lower_ci = map(boot_res_ci, ~ .$percent[[4]]),
         upper_ci = map(boot_res_ci, ~ .$percent[[5]]),
         n =  map(data, nrow)) %>% 
  select(-data, -boot_res, -boot_res_ci) %>% 
  unnest(cols = c(n, mean, lower_ci, upper_ci)) %>% 
  ungroup()
#> # A tibble: 2 x 5
#>      vs  mean lower_ci upper_ci     n
#>   <dbl> <dbl>    <dbl>    <dbl> <int>
#> 1     0  16.6     15.0     18.3    18
#> 2     1  24.6     22.1     27.3    14

由reprex package（v0.3.0）于2020年1月22日创建
代码的一些解释：
与nest()嵌套时，列表列（默认情况下称为data），其包含2个 Dataframe ，是由vs分组的整个mtcars的2个子集（其包含2个唯一值0和1）。然后，使用mutate()和map()，我们通过将来自boot包的函数boot()应用于列表列data来创建列表列boot_res。然后通过将boot.ci()函数应用于boot_res列表列来创建boot_res_ci列表列，依此类推。对于select()，我们删除不再需要的列表列。接下来是取消嵌套和取消分组最终结果。
不幸的是，代码不容易导航，但它服务于另一个示例的目的。

使用broom::tidy()

我刚刚意识到broom包实现了一个方法来处理boot()的输出，正如here所指出的那样，这使得代码更简洁，输出更完整，包括偏差和统计数据的标准误差（这里是平均值）：

library(dplyr)
library(tidyr)
library(purrr)
library(broom)
library(boot)

set.seed(321)
mtcars %>%
  group_by(vs) %>%
  nest() %>% 
  mutate(boot_res = map(data,
                        ~ boot(data = .$mpg,
                               statistic = function(x, i) mean(x[i]),
                               R = 1000)),
         boot_tidy = map(boot_res, tidy, conf.int = TRUE, conf.method = "perc"),
         n = map(data, nrow)) %>% 
  select(-data, -boot_res) %>% 
  unnest(cols = -vs) %>% 
  ungroup()
#> # A tibble: 2 x 7
#>      vs statistic    bias std.error conf.low conf.high     n
#>   <dbl>     <dbl>   <dbl>     <dbl>    <dbl>     <dbl> <int>
#> 1     0      16.6 -0.0115     0.843     15.0      18.3    18
#> 2     1      24.6 -0.0382     1.36      22.1      27.3    14

由reprex package（v0.3.0）于2020年1月22日创建

data.table简明语法

但是，请注意，我使用data.table包而不是dplyr得到了一个更简洁的语法：

library(data.table)
library(magrittr)
library(boot)
library(broom)

mtcars <- mtcars %>% copy %>% setDT

set.seed(321)
mtcars[, c(n = .N,
           boot(data = mpg,
                statistic = function(x, i) mean(x[i]),
                R = 1000) %>% 
             tidy(conf.int = TRUE, conf.method = "perc")),
       by = vs]
#>    vs  n statistic        bias std.error conf.low conf.high
#> 1:  0 18  16.61667 -0.01149444 0.8425817 15.03917  18.26653
#> 2:  1 14  24.55714 -0.03822857 1.3633112 22.06429  27.32839

由reprex package于2020年1月23日创建（版本0.3.0）

一次使用数据表的多个变量

library(data.table)
library(magrittr)
library(boot)
library(broom)

mtcars <- mtcars %>% copy %>% setDT

# Specify here the variables for which you want CIs
variables <- c("mpg", "disp") 

# Function to get the CI stats, will be applied to each column of a subset of
# data (.SD)
get_ci <- function(varb, ...){
  boot(data = varb,
       statistic = function(x, i) mean(x[i]),
       R = 1000) %>% 
    tidy(conf.int = TRUE, ...)
}

set.seed(321)
mtcars[, c(n = .N,
           lapply(.SD, get_ci) %>% 
             rbindlist(idcol = "varb")),
       by = vs, .SDcols = variables]
#>    vs  n varb statistic        bias  std.error  conf.low conf.high
#> 1:  0 18  mpg  16.61667 -0.01149444  0.8425817  15.03917  18.26653
#> 2:  0 18 disp 307.15000 -1.49692222 23.1501247 261.18766 353.04416
#> 3:  1 14  mpg  24.55714 -0.03215714  1.3800432  21.86628  27.50551
#> 4:  1 14 disp 132.45714  0.32994286 14.9070552 104.45798 163.57344

由reprex package（v0.3.0）于2020年1月23日创建

更新tidyr 1.0.0

@Valentin给出的所有解决方案都是可行的，但我想提示一个新的替代方案，它对你们中的一些人来说更容易阅读。它用一个相对较新的[tidyr 1.0.0][1]函数unnest_wider替换了所有summarise解决方案。

mtcars %>% 
  nest(data = -"vs") %>%
  mutate(ci = map(data, ~ MeanCI(.x$mpg, method = "boot", R = 1000))) %>% 
  unnest_wider(ci)

其给出：

# A tibble: 2 x 5
     vs data                mean lwr.ci upr.ci
  <dbl> <list>             <dbl>  <dbl>  <dbl>
1     0 <tibble [18 × 10]>  16.6   14.7   18.5
2     1 <tibble [14 × 10]>  24.6   22.0   27.1

不使用 Bootstrap 法计算置信区间甚至更简单：

mtcars %>% 
  nest(data = -"vs") %>%
  mutate(ci = map(data, ~ MeanCI(.x$mpg))) %>% 
  unnest_wider(ci)

对于正态分布：

library(dplyr)
mtcars %>%
  group_by(vs) %>%
  summarise(mean.mpg = mean(mpg, na.rm = TRUE),
            sd.mpg = sd(mpg, na.rm = TRUE),
            n.mpg = n()) %>%
  mutate(se.mpg = sd.mpg / sqrt(n.mpg),
         lower.ci.mpg = mean.mpg - qnorm(0.975) * se.mpg,
         upper.ci.mpg = mean.mpg + qnorm(0.975) * se.mpg)

添加一个答案，以防其他人，像我一样，发现这篇文章有用，但仍在寻找调整。
下面是一个基于@sboysel的响应并使用他的“nobs”函数的替代手动解决方案。如果你想对数据中的多个组和多个变量进行汇总，这个解决方案很有用（改变across()以适应你的数据--这里，它是为以特定字符串开头的变量编写的）：

output1 <- your_data_frame %>% 
  dplyr::group_by(your_grouping_variable) %>% 
  dplyr::summarise(across(starts_with("your_string"),
                          .fns = list(
                            mean = ~mean(.x, na.rm = TRUE), 
                            sd = ~sd(.x, na.rm = TRUE), 
                            se = ~sd(.x, na.rm = TRUE)/sqrt(length(.x)),
                            n = ~nobs(.x),
                            ci_l = ~mean(.x, na.rm = TRUE) - (1.96 * sd(.x, na.rm = TRUE)/sqrt(nobs(.x))),
                            ci_u = ~mean(.x, na.rm = TRUE) + (1.96 * sd(.x, na.rm = TRUE)/sqrt(nobs(.x))))))

或者，使用gmodels包中的ci（如@carfisma所说）来获得更简洁的代码：

output2 <- your_data_frame%>% 
  dplyr::group_by(your_grouping_variable) %>% 
  dplyr::summarise(across(starts_with("your_string"),
                          .fns = list(
                            mean = ~ci(.x, na.rm=TRUE)[1],
                            se = ~ci(.x, na.rm=TRUE)[4],
                            n = ~nobs(.x),
                            ci_l = ~ci(.x, na.rm=TRUE)[2], # confidence level default is 0.95
                            ci_u = ~ci(.x, na.rm=TRUE)[3])))

注意，ci()输出的第4个元素是std err，而不是carfisma解决方案中可能建议的sd。
使用dplyr版本1.0.10和gmodels 2.18.1.1