times - distinct en r

Cómo agregar el recuento de valores únicos por grupo a R data.frame

Question

Deseo contar el número de valores únicos agrupando una segunda variable y luego agregar el conteo al data.frame existente como una nueva columna. Por ejemplo, si el marco de datos existente tiene este aspecto:

  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

Quiero agregar para cada color , el recuento de types únicos que están presentes en los datos:

  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

Esperaba usar ave , pero parece que no puedo encontrar un método sencillo que no requiera muchas líneas. Tengo> 100,000 filas, así que tampoco estoy seguro de cuán importante es la eficiencia.

Es algo similar a este problema: cuente el número de observaciones / filas por grupo y agregue el resultado al marco de datos

Answer 1

Aquí hay una solución con el paquete dplyr : tiene n_distinct() como un contenedor de length(unique()) .

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

Answer 2

Esto también se puede lograr en un vectorizado sin operaciones grupales combinando unique table unique o tabulate

Si df$color es factor , entonces

Ya sea

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 

O

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

Si df$color es un character , solo

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

Si df$color es un integer entonces solo

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

Answer 3

Usando ave (ya que lo pides específicamente):

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

Asegúrese de que el type sea ​​vector de caracteres y no factor.

Como también dice que sus datos son enormes y que la velocidad / el rendimiento pueden ser un factor, sugiero también una solución de datos.

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 se implementó en v1.9.6 y es un equivalente más rápido de length(unique(.)) . Además, también funciona con data.frames / data.tables.

Otras soluciones

Usando plyr:

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

Usando aggregate :

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