r - 对于 R 中的其他剩余列值，如何检查一种类型的列值类别的常见出现？

Question

虚拟数据:

set.seed(4)
name <- sample(LETTERS[1:8], 500, replace = T)
id <- round(runif(500, min=1, max=200))

df <- data.frame(name, id)

我想检查 B 的唯一 id 的百分比，其他剩余的 name

预期的输出将是这样的:

name  count pct_common
  <chr> <int>      <dbl>
1 A        17       29.3
2 C        18       31.0
3 D        16       27.6
4 E        22       37.9
5 F        14       24.1
6 G        16       27.6
7 H        20       34.5

到目前为止我的方法:

the_name <- 'B'

#Selecting the unique name, id combination for 'B'

df %>%
  filter(name %in% the_name) %>%
  distinct(name, id)-> list_id

#Checking which of these ids are already there for other names and then count them.

df %>%
  filter( id %in% list_id$id) %>%
  filter(!name %in% the_name) %>%
  group_by(name) %>%
  summarise(count=n()) %>%
  mutate(pct_common= count/nrow(list_id)*100)

它正在完成工作，但像这样创建一个单独的数据框似乎不太优雅。此外，相对较大的数据框(数百万个观察值)需要更多时间。

有没有更好的方法来解决这个问题？

Answer 1

这是另一种选择-

library(dplyr)

df %>%
  mutate(temp = n_distinct(id[name %in% the_name])) %>%
  filter(id %in% unique(id[name %in% the_name]) & !name %in% the_name) %>%
  group_by(name, temp) %>%
  summarise(count = n(), .groups = 'drop') %>%
  mutate(pct_common = count/temp * 100) %>%
  select(-temp)

#  name  count pct_common
#  <chr> <int>      <dbl>
#1 A        17       29.3
#2 C        18       31.0
#3 D        16       27.6
#4 E        22       37.9
#5 F        14       24.1
#6 G        16       27.6
#7 H        20       34.5