按组将唯一/不同值的计数添加到原始数据

Posted 2023-02-15

【中文标题】按组将唯一/不同值的计数添加到原始数据

【英文标题】：Add count of unique / distinct values by group to the original data

【发布时间】：2013-06-29 14:17:45

【问题描述】：

我希望通过对第二个变量进行分组来计算唯一值的数量，然后将该计数作为新列添加到现有的 data.frame 中。例如，如果现有数据框如下所示：

  color  type
1 black chair
2 black chair
3 black  sofa
4 green  sofa
5 green  sofa
6   red  sofa
7   red plate
8  blue  sofa
9  blue plate
10 blue chair

我想为每个color 添加数据中存在的唯一types 的计数：

  color  type unique_types
1 black chair            2
2 black chair            2
3 black  sofa            2
4 green  sofa            1
5 green  sofa            1
6   red  sofa            2
7   red plate            2
8  blue  sofa            3
9  blue plate            3
10 blue chair            3

我希望使用ave，但似乎找不到不需要很多行的简单方法。我有 >100,000 行，所以我也不确定效率有多重要。

有点类似这个问题：Count number of observations/rows per group and add result to data frame

【参考方案1】：

这是一个使用 dplyr 包的解决方案 - 它具有 n_distinct() 作为 length(unique()) 的包装器。

df %>%
  group_by(color) %>%
  mutate(unique_types = n_distinct(type))

【讨论】：

感谢山姆的 dplyr 解决方案。假设我想更进一步，“子集” df 仅包含“颜色”和“不同类型的相应数量”。我记得这些有一个巧妙的功能，但我不记得了，建议？

【参考方案2】：

使用ave（因为你特别要求它）：

within(df,  count <- ave(type, color, FUN=function(x) length(unique(x))))

确保type 是字符向量而不是因子。

---

由于您还说您的数据量很大，因此速度/性能可能是一个因素，我建议您也使用data.table 解决方案。

require(data.table)
setDT(df)[, count := uniqueN(type), by = color] # v1.9.6+
# if you don't want df to be modified by reference
ans = as.data.table(df)[, count := uniqueN(type), by = color]

uniqueN 是在v1.9.6 中实现的，它相当于length(unique(.)) 的速度更快。此外，它还适用于 data.frames/data.tables。

---

其他解决方案：

使用 plyr：

require(plyr)
ddply(df, .(color), mutate, count = length(unique(type)))

使用aggregate：

agg <- aggregate(data=df, type ~ color, function(x) length(unique(x)))
merge(df, agg, by="color", all=TRUE)

【讨论】：

如果您没有 NA 值，则在 plyr 版本中使用 length(unique(type)) 仅等效于 data.table::uniqueN(type)。 uniqueN 将为空组报告 0，而 length(unique(type)) 将报告 1！ dplyr（不确定plyr）等价于data.table::uniqueN(x, na.rm = TRUE) 是dplyr::n_distinct(x, na.rm = TRUE)

【参考方案3】：

这也可以通过将unique 与table 或tabulate 组合在向量化的情况下实现，而无需分组操作

如果df$color 是factor，那么

要么

table(unique(df)$color)[as.character(df$color)]
# black black black green green   red   red  blue  blue  blue 
#    2     2     2     1     1     2     2     3     3     3 

或者

tabulate(unique(df)$color)[as.integer(df$color)]
# [1] 2 2 2 1 1 2 2 3 3 3

---

如果df$color 是character 那么就

table(unique(df)$color)[df$color]

---

如果df$color 是integer，那么只需

tabulate(unique(df)$color)[df$color]