R - group_by n_distinct 总结

Question

我的数据集是这样的

library(dyplr) 

dta = rbind(c(1,'F', 0), 
  c(1,'F', 0), 
  c(1,'F', 0), 
  c(2,'F', 1), 
  c(2,'F', 1), 
  c(3,'F', 1), 
  c(3,'F', 1), 
  c(3,'F', 1), 
  c(4,'M', 1), 
  c(4,'M', 1), 
  c(5,'M', 1), 
  c(6,'M', 0)
)

colnames(dta) <- c('id', 'sex', 'child')
dta = as.data.frame(dta)

所以数据是长格式的，以id作为个人标识符。

我的问题是当我尝试计算性别时，例如， 由于 id 重复，我的计数不正确。

所以有 3 名女性和 3 名男性。

但是当我数数的时候我有

dta %>% 
  group_by(sex) %>% 
  summarise(n())

8 和 4 - 因为它计算的是行数而不是唯一的 id

交叉表同样的问题

dta %>% 
  group_by(sex, child) %>% 
  summarise(n())

如何在计数中指示唯一标识符 (n_distinct)？

Answer 1

有很多不同的方法可以做到这一点，这里是一个:

dta %>% distinct(id) %>%
        group_by(sex) %>%
        summarise(n())

编辑:经过一些讨论，让我们测试一下快速变化的方法的工作情况。

首先，一些更大的数据:

dta <- data.frame(id = rep(1:500, 30),
                  sex = rep (c("M", "F"), 750),
                  child = rep(c(1, 0, 0, 1), 375))

现在让我们运行我们不同的方法:

library(microbenchmark)

microbenchmark(
    distinctcount = dta %>% distinct(id) %>% count(sex),
    uniquecount = dta %>% unique %>% count(sex),
    distinctsummarise = dta %>% distinct(id) %>% group_by(sex) %>% summarise(n()),
    uniquesummarise = dta %>% unique %>% group_by(sex) %>% summarise(n()),
    distincttally= dta %>% distinct(id) %>% group_by(sex) %>% tally
)

在我的机器上:

Unit: milliseconds
              expr       min        lq      mean    median        uq       max neval
     distinctcount  1.576307  1.602803  1.664385  1.630643  1.670195  2.233710   100
       uniquecount 32.391659 32.885479 33.194082 33.072485 33.244516 35.734735   100
 distinctsummarise  1.724914  1.760817  1.815123  1.792114  1.830513  2.178798   100
   uniquesummarise 32.757609 33.080933 33.490001 33.253155 33.463010 39.937194   100
     distincttally  1.618547  1.656947  1.715741  1.685554  1.731058  2.383084   100

我们可以看到 unique 在更大的数据上效果很差，所以最快的是:

dta %>% distinct(id) %>% count(sex)