一列的唯一计数 - 按分隔符和子字符串的唯一计数拆分

Question

我想用'|'分割列 x 的唯一计数 x 值和子串在 R 中留下 2 个字符。

df <-data.frame(id = c(11,22,33,44),
                x = c(NA,'cna|cnb|jpa|usa|jpb|usb','kra|krb|kru|usb|usa','jpa|jpu|epa|epb|usa|woa|cna|jpu'))

> df
  id                               x
1 11                            <NA>
2 22         cna|cnb|jpa|usa|jpb|usb
3 33             kra|krb|kru|usb|usa
4 44 jpa|jpu|epa|epb|usa|woa|cna|jpu

我想在下面。

  id    count
1 11    0
2 22    3
3 33    2         
4 44    5

• 第 1 行是 0
• 第 2 行是 cn,jp,us(3 个数据)
• 第 3 行是 kr,us(2 个数据)
• 第 4 行是 jp,ep,us,wo,cn(5 个数据)

Answer 1

我们可以使用tidyverse。我们将'x'中的元素拆分并扩展为长格式separate_rows，mutate'x'只取前两个字符（substr），按'id'分组，找到count使用n_distinct的唯一非NA元素

library(tidyverse)
df %>% 
    separate_rows(x) %>% 
    mutate(x= substr(x, 1, 2)) %>%
    group_by(id) %>% 
    summarise(count =  n_distinct(x[!is.na(x)]))
# A tibble: 4 x 2
#     id count
#  <dbl> <int>
#1    11     0
#2    22     3
#3    33     2
#4    44     5

Answer 2

这是另一种方法。它不像akrun 的回答那样紧凑和简单，但它不依赖于任何库：

df$count <- sapply(df$x, function(varx){
    strs <- unique(sapply(unlist(strsplit(varx, "|", fixed = T)), function(string){
        substr(string, 1, 2)
    })) 
    length(strs[!is.na(strs)])
})

输出：

  id                               x count
1 11                            <NA>     0
2 22         cna|cnb|jpa|usa|jpb|usb     3
3 33             kra|krb|kru|usb|usa     2
4 44 jpa|jpu|epa|epb|usa|woa|cna|jpu     5