Ответ 1
Вы можете использовать apply:
apply(Testdata, 2, function(x) length(unique(x)))
# var_1 var_2 var_3
# 1 1 3
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.
Ответы
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