R, dplyr: n_distinct 的累積版本

Question

我有一個如下的數據框。 它按列time排序。

輸入 -

df = data.frame(time = 1:20,
            grp = sort(rep(1:5,4)),
            var1 = rep(c('A','B'),10)
            )

head(df,10)
   time grp var1
1   1   1    A
2   2   1    B
3   3   1    A
4   4   1    B
5   5   2    A
6   6   2    B
7   7   2    A
8   8   2    B
9   9   3    A
10 10   3    B

我想創建另一個變量var2到目前為止，它不計算不同的var1值，即直到每個組grp那個time點。 這與我使用n_distinct得到的結果略有不同。

預期輸出 -

   time grp var1 var2
1   1   1    A    1
2   2   1    B    2
3   3   1    A    2
4   4   1    B    2
5   5   2    A    1
6   6   2    B    2
7   7   2    A    2
8   8   2    B    2
9   9   3    A    1
10 10   3    B    2

我想為此創建一個函數cum_n_distinct並將其用作 -

d_out = df %>%
  arrange(time) %>%
  group_by(grp) %>%
  mutate(var2 = cum_n_distinct(var1))

Answer 1

受@akrun 回答啟發的dplyr解決方案 -

這個邏輯基本上是將var1的每個唯一值的第一次出現設置為1並將每個組grp其余值設置為0 ，然后對其應用cumsum -

df = df %>%
  arrange(time) %>%
  group_by(grp,var1) %>%
  mutate(var_temp = ifelse(row_number()==1,1,0)) %>%
  group_by(grp) %>%
  mutate(var2 = cumsum(var_temp)) %>%
  select(-var_temp)

head(df,10)

Source: local data frame [10 x 4]
Groups: grp

   time grp var1 var2
1     1   1    A    1
2     2   1    B    2
3     3   1    A    2
4     4   1    B    2
5     5   2    A    1
6     6   2    B    2
7     7   2    A    2
8     8   2    B    2
9     9   3    A    1
10   10   3    B    2

Answer 2

假設東西已經按time排序，首先定義一個累積不同的函數：

dist_cum <- function(var)
  sapply(seq_along(var), function(x) length(unique(head(var, x))))

然后是使用ave創建組的基本解決方案（注意，假設var1是因子），然后將我們的函數應用於每個組：

transform(df, var2=ave(as.integer(var1), grp, FUN=dist_cum))

一個data.table解決方案，基本上做同樣的事情：

library(data.table)
(data.table(df)[, var2:=dist_cum(var1), by=grp])

和dplyr ，同樣的事情：

library(dplyr)
df %>% group_by(grp) %>% mutate(var2=dist_cum(var1))

Answer 3

嘗試：

更新

使用您的新數據集，一種基於 R 的方法

  df$var2 <-  unlist(lapply(split(df, df$grp),
              function(x) {x$var2 <-0
               indx <- match(unique(x$var1), x$var1)
               x$var2[indx] <- 1
               cumsum(x$var2) }))

  head(df,7)
  #   time grp var1 var2
  # 1    1   1    A    1
  # 2    2   1    B    2
  # 3    3   1    A    2
  # 4    4   1    B    2
  # 5    5   2    A    1
  # 6    6   2    B    2
  # 7    7   2    A    2

Answer 4

這是另一個使用 data.table 的解決方案，速度非常快。

通用函數

cum_n_distinct <- function(x, na.include = TRUE){
  # Given a vector x, returns a corresponding vector y
  # where the ith element of y gives the number of unique
  # elements observed up to and including index i
  # if na.include = TRUE (default) NA is counted as an 
  # additional unique element, otherwise it's essentially ignored

  temp <- data.table(x, idx = seq_along(x))
  firsts <- temp[temp[, .I[1L], by = x]$V1]
  if(na.include == FALSE) firsts <- firsts[!is.na(x)]
  y <- rep(0, times = length(x))
  y[firsts$idx] <- 1
  y <- cumsum(y)

  return(y)
}

示例使用

cum_n_distinct(c(5,10,10,15,5))  # 1 2 2 3 3
cum_n_distinct(c(5,NA,10,15,5))  # 1 2 3 4 4
cum_n_distinct(c(5,NA,10,15,5), na.include = FALSE)  # 1 1 2 3 3

您的問題的解決方案

d_out = df %>%
  arrange(time) %>%
  group_by(grp) %>%
  mutate(var2 = cum_n_distinct(var1))