计算分组矩阵中唯一值的数量答案

【问题标题】：Calculate number of unique values in grouped matrix计算分组矩阵中唯一值的数量
【发布时间】：2021-08-07 00:36:37
【问题描述】：

我有一个如下所示的分组数据集：

data = data.frame(group = c(1,1,1,1,2,2,2,2), 
                  c1 = c("A", "E", "A", "J", "L", "M", "L", "J"), 
                  c2 = c("B", "F", "F", "K", "B", "F", "T", "E"), 
                  c3 = c("C", "G", "C", "L", "C", "X", "C", "V"), 
                  c4 = c("D", "H", "I", "M", "D", "T", "I", "W"))

我需要计算每行中每个组中不重复的值的数量。例如，看起来像这样的东西：

    group c1 c2 c3 c4 uniq.vals
1     1  A  B  C  D         2
2     1  E  F  G  H         3
3     1  A  F  C  I         1
4     1  J  K  L  M         4
5     2  L  B  C  D         2
6     2  M  F  X  T         3
7     2  L  T  C  I         1
8     2  J  E  V  W         4

第 1 行的计数为 2，因为 B 和 D 不会出现在第 1 组中的任何其他行中。

我熟悉使用 group_by 和 summarise，但我无法将其扩展到这种特殊情况，这需要跨多列和多行检查每个值。例如，n_distinct 本身不起作用，因为我正在寻找非重复值，而不是唯一值。

理想情况下，该解决方案也将忽略 NA 并且不将它们计为重复值或非重复值。

【问题讨论】：

标签： r dplyr unique

【解决方案1】：

这是tidyverse 的选项。用pivot_longer 重新整形为'long' 格式，按'group' 分组，replace 所有duplicate 'value' 到NA，然后按行号分组，summarise 得到计数n_distinct （不同元素的数量），并与原始数据绑定

library(dplyr)
library(tidyr)
data %>%
    mutate(rn = row_number()) %>%
    pivot_longer(cols = starts_with('c')) %>% 
    group_by(group) %>%
    mutate(value = replace(value, duplicated(value)|duplicated(value,
     fromLast = TRUE), NA)) %>%
    group_by(rn) %>%
    summarise(uniq.vals = n_distinct(value, na.rm = TRUE), .groups = 'drop') %>%
    select(uniq.vals) %>%
    bind_cols(data, .)

-输出

#   group c1 c2 c3 c4 uniq.vals
#1     1  A  B  C  D         2
#2     1  E  F  G  H         3
#3     1  A  F  C  I         1
#4     1  J  K  L  M         4
#5     2  L  B  C  D         2
#6     2  M  F  X  T         3
#7     2  L  T  C  I         1
#8     2  J  E  V  W         4

【讨论】：

谢谢！第二个选项在转换为真实数据集时对我有用，它用“firstname.lastname”形式的字符串代替字母。出于某种原因，第一个选项不起作用并且没有拾取重复的字符串/名称——即，它返回的 uniq.vals 反映了每行中非 NA 的数量。你能想到为什么会出现这种情况的任何原因吗？（PS。我很抱歉，我打算在我写完之前点击进入这个评论）。
@addison 让我检查一下
@Addison 抱歉，我正在复制第二个解决方案的输出。我知道这是有问题的原因。我之前看了你的帖子，有点困惑，因为有些价值观不一致。原因是重复检查是按列而不是针对整个组

【解决方案2】：

在基础 R 中你会这样做：

a <- tapply(unlist(data[-1]), data$group[row(data[-1])],table)

data$uniq.vals <-  c(by(data, seq(nrow(data)),
                        function(x)sum(a[[x[,1]]][unlist(x[-1])]<2)))

 group c1 c2 c3 c4 uniq.vals
1     1  A  B  C  D         2
2     1  E  F  G  H         3
3     1  A  F  C  I         1
4     1  J  K  L  M         4
5     2  L  B  C  D         2
6     2  M  F  X  T         3
7     2  L  T  C  I         1
8     2  J  E  V  W         4

请注意，在您的情况下，第 3 行应该有 1，因为只有 I 是唯一值

【讨论】：