计算一组列中存在的唯一字符答案

【问题标题】：Count unique characters present in a group of columns计算一组列中存在的唯一字符
【发布时间】：2019-04-16 15:19:30
【问题描述】：

我有以下数据集

dat <- data.frame(group = c(1,1,1,1,1), id = c(1,2,3,4,5),
              t1 = c('a','a','b','b','c'),p1 = c(0.98,1,0.5,0.9,1),
              t2 = c('b',NA,'a','c',NA),p2 = c(0.02,NA,0.25,0.10,NA),
              t3 = c(NA,NA,'c',NA,NA),p3 = c(NA,NA,0.25,NA,NA))

我正在尝试计算包含多行（变量 = 'group'）的组中多列（t1、t2、t3）中存在的唯一字符数。是否计算每个字符取决于相关的 p1,p2,p3 值 >= 0.05。

我已尝试输入此代码来计算所有列中的唯一字符

b <- dat %>%
group_by(group) %>%
mutate(total = sum(n_distinct(t1[p1 >= 0.05], na.rm = TRUE),
                            n_distinct(t2[p2 >= 0.05], na.rm = TRUE),
                            n_distinct(t3[p3 >= 0.05], na.rm = TRUE)))

结果是它计算了 t1、t2 和 t3 的唯一字符，然后将其相加得到以下数据集，其中 'total' 为 6

dat <- data.frame(group = c(1,1,1,1,1), id = c(1,2,3,4,5),
              t1 = c('a','a','b','b','c'),p1 = c(0.98,1,0.5,0.9,1),
              t2 = c('b',NA,'a','c',NA),p2 = c(0.02,NA,0.25,0.10,NA),
              t3 = c(NA,NA,'c',NA,NA),p3 = c(NA,NA,0.25,NA,NA),
              total = c(6,6,6,6,6))

但是，我要做的是计算所有列中唯一字符的总数。换句话说，如果在 t1 列中看到“a”，则不要在其他列 (t2,t3) 中计算“a”。最终产品将类似于以下数据集，其中“total”为 3（表示 a、b 和 c 是存在的唯一字符）

dat <- data.frame(group = c(1,1,1,1,1), id = c(1,2,3,4,5),
              t1 = c('a','a','b','b','c'),p1 = c(0.98,1,0.5,0.9,1),
              t2 = c('b',NA,'a','c',NA),p2 = c(0.02,NA,0.25,0.10,NA),
              t3 = c(NA,NA,'c',NA,NA),p3 = c(NA,NA,0.25,NA,NA),
              total = c(3,3,3,3,3))

感谢您的帮助

【问题讨论】：

标签： r dplyr

【解决方案1】：

我们可以使用map2循环遍历对应的't'和'p'列，根据'p'的值得到list、filter行中的列子集列，pull 't' 列，获取不同元素的数量 (n_distinct) 并使用 bind_cols 创建一个新列

library(tidyverse)
map2_int(paste0('t', 1:3), paste0('p', 1:3), ~ 
          dat %>%
             select(.x, .y)  %>% 
             filter_at(.y, all_vars(. >= 0.05)) %>%
             pull(.x) %>%
             n_distinct) %>% 
     bind_cols(dat, total = .)

如果它在各列中是“唯一的”，则不是每列获取n_distinct，而是unlistlist，然后应用n_distinct，然后在“dat”中创建新列mutate

map2(paste0('t', 1:3), paste0('p', 1:3), ~ 
          dat %>% 
            select(.x, .y)  %>%
            filter_at(.y, all_vars(. >= 0.05)) %>%
            pull(.x) ) %>% 
            unlist %>% 
            n_distinct %>% 
            mutate(dat, total = .)
#   group id t1   p1   t2   p2   t3   p3 total
#1     1  1  a 0.98    b 0.02 <NA>   NA     3
#2     1  2  a 1.00 <NA>   NA <NA>   NA     3
#3     1  3  b 0.50    a 0.25    c 0.25     3
#4     1  4  b 0.90    c 0.10 <NA>   NA     3
#5     1  5  c 1.00 <NA>   NA <NA>   NA     3

更新

如果我们做一个group_byn_distinct，上面可以通过'group'分组后summariseing'total'的n_distinct来改变

map2_df(paste0('t', 1:3), paste0('p', 1:3), ~ 
      dat %>% 
         group_by(group) %>%
         select(.x, .y)  %>%
         filter_at(.y, all_vars(. >= 0.05))  %>% 
         select(-.y) %>% 
         rename_at(.x, ~ 'total')) %>% 
   summarise(total = n_distinct(total)) %>% 
   left_join(dat)

【讨论】：

【解决方案2】：

首先lapply 通过p 列与函数>= 0.05，然后选择结果为真的所有p 列与Reduce('&' 的行。获得行后，您可以使用.SD[rows, paste0('t', 1:3)] 和unlist 选择要计算唯一性的数据（将其强制为单个向量），这样您就可以直接使用UniqueN 来计算唯一性.

library(data.table)
setDT(dat)

dat[, total := {rows <- Reduce('&', lapply(.(p1, p2, p3), '>=', 0.05)) 
                uniqueN(unlist(.SD[rows, paste0('t', 1:3)]))}
    , by = group]



#    group id t1   p1   t2   p2   t3   p3 total
# 1:     1  1  a 0.98    b 0.02 <NA>   NA     3
# 2:     1  2  a 1.00 <NA>   NA <NA>   NA     3
# 3:     1  3  b 0.50    a 0.25    c 0.25     3
# 4:     1  4  b 0.90    c 0.10 <NA>   NA     3
# 5:     1  5  c 1.00 <NA>   NA <NA>   NA     3

【讨论】：

【解决方案3】：

这应该适用于任意数量的组和任意数量的列对。

dat %>%
  gather(key, value, -group, -id) %>%
  separate(key, c('key1', 'key2'), 1) %>%
  group_by(group, id, key2) %>%
  spread(key1, value) %>%
  filter(p >= 0.05) %>%
  pull(t) %>%
  n_distinct() %>% 
  mutate(dat, total = .)

【讨论】：