对变量 R 计数变量

Question

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上出现了多少个不同的Uid。我的结果应该是这样的。

Tid, freqUid 
1, 1
2, 2
3, 1
4, 2

我尝试对它使用计数，但在不止一个变量上使用它时遇到了一些问题。

Answer 1

我们可以使用 dplyr 中的 n_distinct。我们按 'Tid' 分组，并在 summarise.

内得到 '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 data.table 中的 uniqueN。我们将 'data.frame' 转换为 'data.table' (setDT(Data))，按 'Tid' 分组，我们得到 '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

基准

这里有一些使用大数据集的基准测试

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（输出格式会不同），然后运行再次进行基准测试。

  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。因此，将其替换为 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

Answer 2

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（尽管列名称的信息量较少）

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个实例

编辑：根据@nicolas 评论，我们也可以在此处添加 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

Answer 3

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。）

关于@David 的评论，所有提出的解决方案得到的结果基本相同。但当然，我的建议是不等同于table(unique(Data)$Tid)。它更快并且 returns 是 data.frame（不是 table 对象）。

Answer 4

另一种可能性：

library(functional)
by(Uid, Tid, FUN=Compose(unique, length))

或基础 R 作为@David Arenburg 下划线：

by(Uid, Tid, FUN=function(x) length(unique(x)))

对变量 R 计数变量

Count variable on a Variable R

r

count

基准