Подсчет уникальных значений для каждого столбца

Я хотел бы вернуть количество уникальных значений для каждого столбца в таблице. Например, если у меня есть таблица:

 Testdata <- data.frame(var_1 = c("a","a","a"), var_2 = c("b","b","b"), var_3 = c("c","d","e"))

 var_1 | var_2 | var_3
 a     | b     | c 
 a     | b     | d
 a     | b     | e

Я хотел бы, выход должен быть:

 Variable | Unique_Values
 var_1    | 1
 var_2    | 1
 var_3    | 3

Я пробовал играть с петлями, используя уникальную функцию, например

 for(i in names(Testdata)){
    # Code using unique function
 }
Я подозреваю, что есть более простой способ.
14
count dataframe r unique

7 ответов

можно использовать apply:

apply(Testdata, 2, function(x) length(unique(x)))
# var_1 var_2 var_3 
#     1     1     3
25

на dplyr:

Testdata %>% summarise_all(funs(n_distinct(.)))
6

это на самом деле улучшение комментария @Ananda Mahto. Он не помещается в комментарий, поэтому я решил добавить в качестве ответа.

sapply на самом деле немного быстрее, чем lapply, и дает выход в более компактной форме, как раз как выход от apply.

результат тестового запуска по фактическим данным:

> start <- Sys.time()
> apply(datafile, 2, function(x)length(unique(x)))
          symbol.           date     volume 
             1371            261      53647 
> Sys.time() - start
Time difference of 1.619567 secs
> 
> start <- Sys.time()
> lapply(datafile, function(x)length(unique(x)))
$symbol.
[1] 1371

$date
[1] 261

$volume
[1] 53647

> Sys.time() - start
Time difference of 0.07129478 secs
> 
> start <- Sys.time()
> sapply(datafile, function(x)length(unique(x)))
          symbol.              date             volume 
             1371               261              53647 
> Sys.time() - start
Time difference of 0.06939292 secs

на datafile имеет около 3,5 млн. строк.

цитирую текст:

sapply является удобная версия и оболочка lapply по умолчанию возврат вектора, матрицы или, если simplify = "array", массива, если соответствующий, применяя simplify2array (). sapply (x, f, simplify = ЛОЖЬ, ИСПОЛЬЗОВАТЬ.NAMES = FALSE) совпадает с lapply(x, f).

4

С помощью lengthsфункции:

lengths(lapply(Testdata, unique))

# var_1 var_2 var_3 
#     1     1     3
2

вот такой вариант:

aggregate(values ~ ind, unique(stack(Testdata)), length)
#     ind values
# 1 var_1      1
# 2 var_2      1
# 3 var_3      3

для этого требуются столбцы be character.

1

вот, я использовал dplyr и tidyr посчитать (используя Testdata фрейм данных):

Testdata %>% 
  gather(var, value) %>% 
  distinct() %>% 
  count(var)

# # A tibble: 3 × 2
#     var     n
#   <chr> <int>
# 1 var_1     1
# 2 var_2     1
# 3 var_3     3
1

Я просто попробовал все решения, и два из вышеперечисленных решений не работали с aggregate и tidyr, но два из них не работали. Я думаю, что использование таблицы данных-хороший выбор,

setDT(Testdata)[, lapply(.SD, uniqueN), .SDcols=c("var_1","var_2","var_3")]
   #    var_1 var_2 var_3
   # 1:     1     1     3

Я попытался сравнить их друг с другом 

library(microbenchmark)
Mycomp = microbenchmark(
  apply = apply(Testdata, 2, function(x)length(unique(x))),
  lapply = lapply(Testdata, function(x)length(unique(x))),
  sapply = sapply(Testdata, function(x)length(unique(x))),
  #base = aggregate(values ~ ind, unique(stack(Testdata)), length),
  datatable = setDT(Testdata)[, lapply(.SD, uniqueN), .SDcols=c("var_1","var_2","var_3")],
  times=50
)

#Unit: microseconds
#      expr     min      lq     mean   median      uq     max neval cld
#     apply 163.315 176.678 192.0435 181.7915 192.047 608.859    50  b 
#    lapply 138.217 147.339 157.9684 153.0640 165.829 254.145    50 a  
#    sapply 160.338 169.124 178.1486 174.3965 185.548 203.419    50  b 
# datatable 667.937 684.650 698.1306 696.0160 703.390 874.073    50   c
0