Подсчет уникальных значений для каждого столбца

Я хотел бы вернуть количество уникальных значений для каждого столбца в таблице. Например, если у меня есть таблица:

 Testdata <- data.frame(var_1 = c("a","a","a"), var_2 = c("b","b","b"), var_3 = c("c","d","e"))

 var_1 | var_2 | var_3
 a     | b     | c 
 a     | b     | d
 a     | b     | e

Я хотел бы вывод:

 Variable | Unique_Values
 var_1    | 1
 var_2    | 1
 var_3    | 3

Я попытался поиграть с петлями, используя уникальную функцию, например

 for(i in names(Testdata)){
    # Code using unique function
 }

Однако я подозреваю, что есть более простой способ.

Ответ 1

Вы можете использовать apply:

apply(Testdata, 2, function(x) length(unique(x)))
# var_1 var_2 var_3 
#     1     1     3

Ответ 2

В dplyr:

Testdata %>% summarise_all(n_distinct)

🙂

(Для тех, кто интересуется полным синтаксисом.

В dplyr >0.8.0 с использованием синтаксиса purrr:

Testdata %>% summarise_all(list(~n_distinct(.)))

В dplyr <0.8.0:

Testdata %>% summarise_all(funs(n_distinct(.)))

)

Дополнительную информацию о суммировании нескольких столбцов можно найти здесь: https://dplyr.tidyverse.org/reference/summarise_all.html.

Ответ 3

Это на самом деле улучшение комментария @Ананда Махто. Это не соответствовало комментарию, поэтому я решил добавить в качестве ответа.

sapply на самом деле немного быстрее, чем lapply, и дает результат в более компактной форме, как и вывод из apply.

Результат тестового запуска по фактическим данным:

> start <- Sys.time()
> apply(datafile, 2, function(x)length(unique(x)))
          symbol.           date     volume 
             1371            261      53647 
> Sys.time() - start
Time difference of 1.619567 secs
> 
> start <- Sys.time()
> lapply(datafile, function(x)length(unique(x)))
$symbol.
[1] 1371

$date
[1] 261

$volume
[1] 53647

> Sys.time() - start
Time difference of 0.07129478 secs
> 
> start <- Sys.time()
> sapply(datafile, function(x)length(unique(x)))
          symbol.              date             volume 
             1371               261              53647 
> Sys.time() - start
Time difference of 0.06939292 secs

datafile имеет около 3,5 миллионов строк.

Цитирование текста справки:

sapply - это удобная версия и оболочка по умолчанию возврат вектора, матрицы или, если simplify = "array", массив if Соответственно, применяя simplify2array(). sapply (x, f, simplify = FALSE, USE.NAMES = FALSE) совпадает с lapply (x, f).

Ответ 4

Используя функцию lengths:

lengths(lapply(Testdata, unique))

# var_1 var_2 var_3 
#     1     1     3 

Ответ 5

Здесь альтернатива:

aggregate(values ~ ind, unique(stack(Testdata)), length)
#     ind values
# 1 var_1      1
# 2 var_2      1
# 3 var_3      3

Для этого нужны столбцы character.

Ответ 6

Здесь я использовал dplyr и tidyr для подсчета (используя фрейм данных Testdata):

Testdata %>% 
  gather(var, value) %>% 
  distinct() %>% 
  count(var)

# # A tibble: 3 × 2
#     var     n
#   <chr> <int>
# 1 var_1     1
# 2 var_2     1
# 3 var_3     3

Ответ 7

Я просто попробовал все решение, и два из вышеперечисленных решений не работали с агрегированными и тидирскими, но два из них не работали. Я думаю, что использование таблицы данных является хорошим выбором,

setDT(Testdata)[, lapply(.SD, uniqueN), .SDcols=c("var_1","var_2","var_3")]
   #    var_1 var_2 var_3
   # 1:     1     1     3

Я попытался сравнить их друг с другом

library(microbenchmark)
Mycomp = microbenchmark(
  apply = apply(Testdata, 2, function(x)length(unique(x))),
  lapply = lapply(Testdata, function(x)length(unique(x))),
  sapply = sapply(Testdata, function(x)length(unique(x))),
  #base = aggregate(values ~ ind, unique(stack(Testdata)), length),
  datatable = setDT(Testdata)[, lapply(.SD, uniqueN), .SDcols=c("var_1","var_2","var_3")],
  times=50
)

#Unit: microseconds
#      expr     min      lq     mean   median      uq     max neval cld
#     apply 163.315 176.678 192.0435 181.7915 192.047 608.859    50  b 
#    lapply 138.217 147.339 157.9684 153.0640 165.829 254.145    50 a  
#    sapply 160.338 169.124 178.1486 174.3965 185.548 203.419    50  b 
# datatable 667.937 684.650 698.1306 696.0160 703.390 874.073    50   c

Ответ 8

library(purrr)
Testdata %>% map_dbl(n_distinct)
var_1 var_2 var_3 
    1     1     3 

# in your format
Testdata %>% map_dbl(n_distinct)%>%melt(value.name = "unique_counts")
      unique_counts
var_1             1
var_2             1
var_3             3