Tid <- c(1,1,2,2,2,3,4,4)
Uid <- c(10,10,11,11,12,13,10,14)
Data <- data.frame(Tid,Uid)
我想知道每个 Tid 上有多少不同的 Uid。 我的结果应该是这样的。
Tid, freqUid
1, 1
2, 2
3, 1
4, 2
我尝试对它使用 count，但在不止一个变量上使用它时遇到了一些问题。
【问题讨论】：
Tid <- c(1,1,2,2,2,3,4,4); Uid <- c(10,10,11,NA,12,13,10,14); Data <- data.frame(Tid,Uid)
带基数 R
as.data.frame(table(unique(Data)$Tid))
# Var1 Freq
# 1 1 1
# 2 2 2
# 3 3 1
# 4 4 2
或者（尽管列名信息较少）
aggregate(Uid ~ Tid, unique(Data), length)
# Tid Uid
# 1 1 1
# 2 2 2
# 3 3 1
# 4 4 2
这里的基本思想是只对Tid/Uid的唯一组合进行操作，然后计算不同的Tid实例
编辑：
根据@nicolas 的评论，我们也可以在这里添加tapply 作为可能的解决方案
as.data.frame.table(tapply(Data$Uid, Data$Tid, function(x) length(unique(x))))
# Var1 Freq
# 1 1 1
# 2 2 2
# 3 3 1
# 4 4 2
【讨论】：
tapply(Data$Uid,Data$Tid,function(x) length(unique(x)))，只是为了在base R中添加另一个选项。
table(unique(Data)$Tid) 相同。我不确定 OP 是否会对该输出感到满意
as.data.frame 的table 方法：as.data.frame.table(tapply(Data$Uid,Data$Tid,function(x) length(unique(x))))，我们就在那里。该评论只是为了让读者了解tapply函数。
我们可以从dplyr 使用n_distinct。我们按“Tid”分组，并在summarise 中获取“Uid”的n_distinct。
library(dplyr)
Data %>%
group_by(Tid) %>%
summarise(freqUid=n_distinct(Uid))
# Tid freqUid
# (dbl) (int)
#1 1 1
#2 2 2
#3 3 1
#4 4 2
或者我们可以使用来自data.table 的uniqueN。我们将“data.frame”转换为“data.table”（setDT(Data)），按“Tid”分组，得到“Uid”的uniqueN。
library(data.table)#v1.9.5+
setDT(Data)[, list(freqUid=uniqueN(Uid)), by = Tid]
# Tid freqUid
#1: 1 1
#2: 2 2
#3: 3 1
#4: 4 2
这里有一些使用大数据集的基准
set.seed(24)
Data <- data.frame(Tid=rep(1:1e4, each=100),
Uid= sample(10:70, 1e4*100, replace=TRUE))
f1 <- function() as.data.frame.table(with(Data,
tapply(Uid, Tid, function(.) length(unique(.)))))
f2 <- function() as.data.frame(table(unique(Data)$Tid))
f3 <- function() aggregate(Uid ~ Tid, unique(Data), length)
f4 <- function() Data %>%
group_by(Tid) %>%
summarise(freqUid=n_distinct(Uid))
f5 <- function() as.data.table(Data)[, list(freqUid=uniqueN(Uid)), by = Tid]
library(microbenchmark)
microbenchmark(f1(), f2(), f3(), f4(), f5(), times=20L, unit='relative')
#Unit: relative
# expr min lq mean median uq max neval cld
#f1() 2.357808 2.506813 2.347543 2.401787 2.138740 2.706053 20 a
#f2() 10.581284 11.798583 11.456316 11.975014 11.411718 10.664648 20 b
#f3() 28.243538 27.740333 25.630334 25.042240 25.590332 23.426749 20 c
#f4() 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 20 a
#f5() 1.385114 1.369170 1.396271 1.405275 1.354914 1.473114 20 a
如果我们删除f1和f2中的as.data.frame（输出格式会有所不同），然后再次运行基准测试。
f1 <- function() with(Data, tapply(Uid, Tid, function(.) length(unique(.))))
f2 <- function() table(unique(Data)$Tid)
正如@DavidArenburg 提到的，uniqueN 比length(unique(.)) 慢。所以，替换 f5
f5 <- function() as.data.table(Data)[, list(freqUid=length(unique(Uid))),
by = Tid]
microbenchmark(f1(), f2(), f3(), f4(), f5(), times=20L, unit='relative')
#Unit: relative
#expr min lq mean median uq max neval cld
#f1() 3.466328 3.052508 2.789366 2.968971 3.069631 1.7850643 20 b
#f2() 11.539920 13.372543 12.067983 13.266105 13.014644 7.6774925 20 c
#f3() 33.491446 30.839725 27.339148 30.888726 29.953344 17.3956850 20 d
#f4() 1.254533 1.177933 1.083263 1.213019 1.162862 0.6981573 20 a
#f5() 1.000000 1.000000 1.000000 1.000000 1.000000 1.0000000 20 a
【讨论】：
data.table 在哪里？ :( 另外，可能从f2 中取出as.data.frame 或添加到f1，不确定是哪个。
tapply 进行比较或相应地调整 tapply 时，我建议不使用它运行它
as.data.frame 添加到f1 吗？
f2 中删除，无论如何。
另一种可能性：
library(functional)
by(Uid, Tid, FUN=Compose(unique, length))
或R@David Arenburg 下划线：
by(Uid, Tid, FUN=function(x) length(unique(x)))
【讨论】：
by(Uid, Tid, FUN=function(x) length(unique(x))) :P，但是 +1 以获得最原始的答案
Compose 的充分理由是我尝试制作简洁和“会说话”的代码（不一定是资产，因为它是主观的并且我使用包..）
Compose 做了什么，因为我不知道。我也想知道这是否应该包装成do.call(rbind...
只是为了引入另一种 dplyr 风格的方法：
library(dplyr)
distinct(Data) %>% count(Tid)
#Source: local data frame [4 x 2]
#
# Tid n
#1 1 1
#2 2 2
#3 3 1
#4 4 2
（不建议这比其他 dplyr/data.table 解决方案更快。）
重新@David 的评论，所有提出的解决方案都得到基本相同的结果。但当然，我的建议不与table(unique(Data)$Tid) 相同。它更快并返回一个 data.frame （不是table 对象）。
【讨论】：