Comptage des valeurs uniques pour chaque colonne

Je voudrais retourner le nombre de valeurs uniques pour chaque colonne dans une table. Par exemple, si j'ai de la table:

 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

Je voudrais la sortie:

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

J'ai essayé de jouer avec les boucles à l'aide de la fonction unique, par exemple

 for(i in names(Testdata)){
    # Code using unique function
 }

Cependant, je soupçonne qu'il ya un moyen plus simple.

OriginalL'auteur Zfunk | 2014-03-05

count dataframe r unique

25

Vous pouvez utiliser apply:
```
apply(Testdata, 2, function(x) length(unique(x)))
# var_1 var_2 var_3 
#     1     1     3
```
Je dirais lapply sur apply comme une approche qui s'adapte mieux. Par exemple lapply(Testdata, function(x) length(unique(x)). Quelques grandes données de test: Testdata <- data.frame(replicate(15, sample(letters[1:sample(26, 1)], 1e6, replace = TRUE)))
Le commentaire ci-dessus doivent être acceptés réponse!

OriginalL'auteur sgibb

Dans dplyr:

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

OriginalL'auteur leerssej

C'est en fait une amélioration sur le commentaire de @Ananda Mahto. Elle n'entrait pas dans le commentaire, donc j'ai décidé d'ajouter une réponse.

sapply est en fait légèrement plus rapide que lapply, et donne à la sortie dans une forme plus compacte, tout comme la sortie de apply.

Un essai de résultats sur des données réelles:

> 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

La datafile a environ 3,5 millions de lignes.

Citant le texte d'aide:

sapply est une version simplifiée et l'enveloppe de lapply par défaut
renvoie un vecteur, une matrice ou, si simplifier = "array", un tableau si
échéant, par l'application de simplify2array(). sapply(x, f, simplifier =
FAUX, USAGE.NOMS = FALSE) est le même que lapply(x, f).

OriginalL'auteur Tapajit Dey

À l'aide de la lengths-fonction:

lengths(lapply(Testdata, unique))

# var_1 var_2 var_3 
#     1     1     3

OriginalL'auteur zx8754

Voici une alternative:

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

Cela nécessite l'colonnes character.

OriginalL'auteur Matthew Plourde

Ici, j'ai utilisé dplyr et tidyr à compter (à l'aide de votre Testdata bloc de données):

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

OriginalL'auteur Megatron

Je viens d'essayer toutes les solution et les deux solutions ci-dessus ne fonctionnent pas l'un avec l'agrégation et la tidyr, mais deux d'entre eux à l'aide ne fonctionne pas. Je pense que l'utilisation d'une table de données est un bon choix ,

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

J'ai essayé de les comparer les uns des autres

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

OriginalL'auteur

0
```
library(purrr)
Testdata %>% map_dbl(n_distinct)
var_1 var_2 var_3 
    1     1     3 

# in your format
Testdata %>% map_dbl(n_distinct)%>%melt(value.name = "unique_counts")
      unique_counts
var_1             1
var_2             1
var_3             3
```
Même si cela peut répondre à des auteurs de la question, il manque quelques explications de mots et/ou des liens vers de la documentation. Raw des extraits de code ne sont pas très utile sans quelques phrases autour d'eux. Vous pouvez également trouver comment écrire une bonne réponse très utile. Merci de modifier votre réponse.

OriginalL'auteur Vinay

Vous devez vous connecter pour publier un commentaire.