计算字符串中逗号分隔的唯一值答案

【问题标题】：Count comma separated unique values in a string计算字符串中逗号分隔的唯一值
【发布时间】：2017-05-12 06:09:43
【问题描述】：

数据框的前两列构成一个复合键，并且有一列 char 类型的列包含逗号分隔的整数。我的目标是创建一个包含字符串中唯一整数计数的列。我知道使用 str_split_fixed 将字符串转换为列然后计算唯一值的方法，但是由于字符串的长度，添加了大量列并且一切都滞后。还有其他方法吗？实际数据集包含 500k 行和 53 列。样本数据集：
df

c1      c2    c3  
aa      11   1,13,4,5,4,7,9    
bb      22   2,5,2,4,5,7,11,     
cc      33   11,14,3,1,    
dd      44   1,1,2,4,5,6,15,    
ee      55   4,3,3,1,14,17,

想要的输出：

c1        c2             c3             c4  
------ | ------   | ------          | -----   
aa     | 11       | 1,13,4,5,4,7,9  |  6    
------ | ------   | ------          | -----   
bb     | 22       | 2,5,2,4,5,7,11, |  5   
------ | ------   | ------          | -----   
cc     | 33       | 11,14,3,1,      |  4   
------ | ------   | ------          | -----   
dd     | 44       | 1,1,2,4,5,6,15, |  6       
------ | ------   | ------          | -----   
ee     | 55       | 4,3,3,1,7,17,7, |  5    
------ | ------   | ------          | -----

任何帮助将不胜感激！

【问题讨论】：

标签： r string unique

【解决方案1】：

在data.table-package 中使用strsplit 和uniqueN：

df$c4 <- sapply(strsplit(df$c3,','), uniqueN)

给出：

> df
  c1 c2              c3 c4
1 aa 11  1,13,4,5,4,7,9  6
2 bb 22 2,5,2,4,5,7,11,  5
3 cc 33      11,14,3,1,  4
4 dd 44 1,1,2,4,5,6,15,  6
5 ee 55  4,3,3,1,14,17,  5

注意：如果 df$c3 是一个因子变量，请将其包装在 as.character: sapply(strsplit(as.character(df$c3), ','), uniqueN)

另一个用于创建df$c4 的基本 R 替代方案：

sapply(regmatches(df$c3, gregexpr('\\d+', df$c3)), function(x) length(unique(x)))

tidyverse 替代方案：

library(dplyr)
library(tidyr)
df %>% 
  separate_rows(c3) %>% 
  filter(c3 != '') %>% 
  group_by(c1) %>% 
  summarise(c4 = n_distinct(c3)) %>% 
  left_join(df, .)

【讨论】：

【解决方案2】：

我们可以使用stri_extract提取所有数字，然后循环遍历list，找到unique元素中的length

library(stringi)
df1$Count <- sapply(stri_extract_all_regex(df1$col3, "[0-9]+"), 
                     function(x) length(unique(x)))

【讨论】：

谢谢！不知道 stri_extract_all_regex。将对此进行研究。
@ShubhangiSharma 看起来您的帖子已被编辑。谢谢
@ShubhangiSharma ，在 SO 中编辑表格很困难，但我建议使用 dput(dataframe) 粘贴您的数据样本，以便以最佳方式回答。谢谢

【解决方案3】：

假设您的 df 如下所示：

df <- c("1,13,4,5,4,7,9,", "2,5,2,4,5,7,11,","11,14,3,1,4,"," 1,1,2,4,5,6,15,","4,6,3,3,1,14,17,14,")
df <- gsub("\\s+|,$","",df) ##Removal of unnecssary spaces and trailing commas

那么你可以使用 baseR ：

unlist(lapply(strsplit(df,split=","),function(x)length(unique(x))))

结果会是这样的：

[1] 6 5 5 6 6

【讨论】：

您的结果略有错误，因为某些行中的尾随逗号没有数字
感谢@docendodiscimus 知道了，这是因为在我的解决方案中添加了前导空格。它似乎工作正常。