我想返回数据框中每一列的唯一（不同）值的计数。例如，如果我有桌子：
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
我希望输出是：
Variable | Unique_Values
var_1 | 1
var_2 | 1
var_3 | 3
我尝试过使用独特的功能来玩循环，例如
for(i in names(Testdata)){
# Code using unique function
}
不过我怀疑有更简单的方法。
【问题讨论】：
collapse::fNdistinct 接受data.frame。
library(collapse)
fNdistinct(Testdata)
# var_1 var_2 var_3
# 1 1 3
而且速度很快。 10000 行 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
【讨论】：
使用lengths函数：
lengths(lapply(Testdata, unique))
# var_1 var_2 var_3
# 1 1 3
【讨论】：
在dplyr:
Testdata %>% summarise_all(n_distinct)
?
(对于那些对完整语法感到好奇的人。
在dplyr >0.8.0 中使用purrr 语法：
Testdata %>% summarise_all(list(~n_distinct(.)))
在dplyr <0.8.0:
Testdata %>% summarise_all(funs(n_distinct(.)))
)
有关汇总多个列的更多信息，请点击此处：https://dplyr.tidyverse.org/reference/summarise_all.html
【讨论】：
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
【讨论】：
你可以使用apply:
apply(Testdata, 2, function(x) length(unique(x)))
# var_1 var_2 var_3
# 1 1 3
【讨论】：
lapply 优于apply 作为一种扩展性更好的方法。例如lapply(Testdata, function(x) length(unique(x))。一些更大的测试数据：Testdata <- data.frame(replicate(15, sample(letters[1:sample(26, 1)], 1e6, replace = TRUE)))
我刚刚尝试了所有解决方案，上述两个解决方案不适用于聚合和 tidyr 解决方案，但其中两个使用无效。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
【讨论】：
在这里，我使用dplyr 和tidyr 进行计数（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
【讨论】：
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 稍微快一点，并且以更紧凑的形式给出输出，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，或者如果简化 = "array"，则返回一个数组 适当的，通过应用 simple2array()。 sapply(x, f, 简化 = FALSE, USE.NAMES = FALSE) 与 lapply(x, f) 相同。
【讨论】：
这里有一个替代方案：
aggregate(values ~ ind, unique(stack(Testdata)), length)
# ind values
# 1 var_1 1
# 2 var_2 1
# 3 var_3 3
这要求列是character。
【讨论】：