Question

我想返回表中每列的唯一值的计数。例如，如果我有表：

 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

我希望输出为：

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

我尝试使用独特的功能玩循环，例如

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

但我怀疑有一种更简单的方法。

Answer 1

您可以使用apply：

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

Answer 2

在dplyr：

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

Answer 3

这实际上是对@Ananda Mahto评论的改进。它不适合评论，所以我决定添加作为答案。

sapply实际上比lapply略快，并以更紧凑的形式提供输出，就像apply的输出一样。

实际数据的测试运行结果：

> 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有大约350万行。

引用帮助文本：

sapply是一个用户友好的版本，默认情况下是lapply的包装器返回一个向量，矩阵，或者，如果是simplify =“array”，则返回一个数组if 适当的，通过应用simplify2array（）。 sapply（x，f，simplify = FALSE，USE.NAMES = FALSE）与lapply（x，f）相同。

Answer 4

使用lengths - 函数：

lengths(lapply(Testdata, unique))

# var_1 var_2 var_3 
#     1     1     3

Answer 5

这是另一种选择：

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

这要求列为character。

Answer 6

在此，我已使用dplyr和tidyr来计算（使用您的Testdata数据框）：

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

Answer 7

我刚尝试了所有的解决方案，上面的两个解决方案没有使用聚合和tidyr的解决方案，但其中两个使用不起作用。我认为使用数据表是一个不错的选择，

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

我试图将它们相互比较

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

Answer 8

proc sql;
select
  case
    when frac = '1/12' then 0.083
    when frac = '1/6' then 0.167
    ...
  end as frac_as_num
from df
;
quit;

Answer 9

collapse::fNdistinct 需要一个 data.frame。

library(collapse)
fNdistinct(Testdata)
# var_1 var_2 var_3 
#     1     1     3

而且速度很快。具有 10000 行和 10000 列的数据：

Testdata = data.frame(replicate(1e4, sample(letters[1:sample(26, 1)], 1e4, replace = TRUE)))
system.time(fNdistinct(Testdata))
# user  system elapsed 
# 0.38    0.00    0.37

计算每列的唯一值

9 个答案: