计算分组数据框中多列中因子的出现次数答案

【问题标题】：Count occurrences of factors across multiple columns in grouped dataframe计算分组数据框中多列中因子的出现次数
【发布时间】：2022-08-22 22:46:51
【问题描述】：

我有以下数据框，并希望按 grp 列进行分组，以查看每个组中出现的每个列值的数量。

> data.frame(grp = unlist(strsplit(\"aabbccca\", \"\")), col1=unlist(strsplit(\"ABAABBAB\", \"\")), col2=unlist(strsplit(\"BBCCCCDD\", \"\")))
  grp col1 col2
1   a    A    B
2   a    B    B
3   b    A    C
4   b    A    C
5   c    B    C
6   c    B    C
7   c    A    D
8   a    B    D

期望的结果：

  grp col1A col1B col2B col2C col2D
1   a    1    2     2     0     1
2   b    2    0     0     2     0
3   c    1    2     0     2     1

如果我只查看grp 和col1 列，使用table() 很容易解决这个问题，当只有2 列时，我可以将table(df[c(\'grp\', \'col1\')]) 与table(df[c(\'grp\', \'col2\')]) 合并。但是，随着因子列数量的增加，这会变得非常麻烦，并且如果col1 和col2 之间存在共享值，则会出现问题。

请注意，dplyr 的计数不起作用，因为它会查找 col1 和 col2 的唯一组合。

我尝试过使用 tidyr 融化和传播数据框，但没有任何运气

> pivot_longer(df, c(col1, col2), names_to= \"key\", values_to = \"val\") %>% pivot_wider(\"grp\", names_from = c(\"key\", \"val\"), values_from = 1, values_fn = sum)
Error in `stop_subscript()`:
! Can\'t subset columns that don\'t exist.
x Column `grp` doesn\'t exist.

我可以找到很多适用于我有 1 个组列和 1 个值列的情况的解决方案，但我不知道如何将它们推广到更多列。

标签： r dataframe reshape

【解决方案1】：

你可以把col1&col2叠在一起，统计每个组合的个数，然后把表格变换成宽表格。

library(dplyr)
library(tidyr)

df %>%
  pivot_longer(col1:col2) %>%
  count(grp, name, value) %>%
  pivot_wider(grp, names_from = c(name, value), names_sort = TRUE,
              values_from = n, values_fill = 0)

# A tibble: 3 x 6
  grp   col1_A col1_B col2_B col2_C col2_D
  <chr>  <int>  <int>  <int>  <int>  <int>
1 a          1      2      2      0      1
2 b          2      0      0      2      0
3 c          1      2      0      2      1

一个base的解决方案（谢谢@GKi细化代码）：

table(cbind(df["grp"], col=do.call(paste0, stack(df[-1])[2:1])))

   col
grp col1A col1B col2B col2C col2D
  a     1     2     2     0     1
  b     2     0     0     2     0
  c     1     2     0     2     1

【讨论】：

有两件事值得注意并且非常有帮助。 1. id_cols 和 2. names_sort 参数的使用。
也许是更通用的基础版本：table(cbind(df["grp"], do.call(paste0, stack(df[-1])[2:1])))
@GKi 我忽略了 cbind() 将回收 grp 到堆叠数据的长度。感谢帮助！

【解决方案2】：

使用来自reshape2 包的recast：

reshape2::recast(df, grp~variable+value,id.var = 'grp', fun = length)

  grp col1_A col1_B col2_B col2_C col2_D
1   a      1      2      2      0      1
2   b      2      0      0      2      0
3   c      1      2      0      2      1

在基础 R 中，您可以执行以下操作：

with(df, cbind(table(grp, paste0('col1_', col1)), table(grp, paste0('col2_', col2))))

  col1_A col1_B col2_B col2_C col2_D
a      1      2      2      0      1
b      2      0      0      2      0
c      1      2      0      2      1

如果您有很多列，请考虑这样做：

do.call(cbind, Map(function(x, y) table(df$grp, paste(x,y, sep = '_')),
                        names(df)[-1], df[,-1]))

  col1_A col1_B col2_B col2_C col2_D
a      1      2      2      0      1
b      2      0      0      2      0
c      1      2      0      2      1

然后，您可以将其转换为数据框

【讨论】：

【解决方案3】：

melt 和 spread 你走在正确的轨道上。这是一个整洁的解决方案。我首先使用pivot_longer 泛化到任意数量的列，然后使用pivot_wider 返回所需的输出格式。输出数据框中的列顺序取决于数据。如果这是一个问题，只需将select 附加到管道的末尾即可获得所需的顺序。（或在@DarrenTsai 的回答中使用names_sort。）

library(tidyverse)

d %>% 
  pivot_longer(
    starts_with("col"),
    names_to="Column",
    values_to="Value"
  ) %>% 
  group_by(grp, Column, Value) %>% 
  summarise(N=n(), .groups="drop") %>% 
  group_by(grp) %>% 
  pivot_wider(
    id_cols=grp,
    values_from=N,
    names_from=c(Column, Value),
    names_sep="",
    values_fill=0
  ) %>%
  ungroup()
# A tibble: 3 × 6
  grp   col1A col1B col2B col2D col2C
  <chr> <int> <int> <int> <int> <int>
1 a         1     2     2     1     0
2 b         2     0     0     0     2
3 c         1     2     0     1     2

【讨论】：

【解决方案4】：

另一种可能的解决方案，基于tidyr::pivot_longer，后跟tidyr::pivot_wider，并使用values_fn = length：

library(tidyverse)

df %>% 
  pivot_longer(c(col1, col2)) %>% 
  mutate(name = str_c(name, value)) %>% 
  pivot_wider(grp, values_fn = length, values_fill = 0, names_sort = T)

#> # A tibble: 3 x 6
#>   grp   col1A col1B col2B col2C col2D
#>   <chr> <int> <int> <int> <int> <int>
#> 1 a         1     2     2     0     1
#> 2 b         2     0     0     2     0
#> 3 c         1     2     0     2     1

【讨论】：

【解决方案5】：

在data.table，我们可以使用dcast + melt，如下所示

dcast(
    melt(setDT(df), id.vars = "grp")[
        , value := paste(variable, value, sep = "_")
    ], grp ~ value
)

生产

   grp col1_A col1_B col2_B col2_C col2_D
1:   a      1      2      2      0      1
2:   b      2      0      0      2      0
3:   c      1      2      0      2      1

【讨论】：