r - 计算分组矩阵中唯一值的数量

Question

我有一个如下所示的分组数据集:

data = data.frame(group = c(1,1,1,1,2,2,2,2), 
                  c1 = c("A", "E", "A", "J", "L", "M", "L", "J"), 
                  c2 = c("B", "F", "F", "K", "B", "F", "T", "E"), 
                  c3 = c("C", "G", "C", "L", "C", "X", "C", "V"), 
                  c4 = c("D", "H", "I", "M", "D", "T", "I", "W"))

而且我需要计算每行中每个组中不重复的值的数量。例如，看起来像这样的东西:

    group c1 c2 c3 c4 uniq.vals
1     1  A  B  C  D         2
2     1  E  F  G  H         3
3     1  A  F  C  I         1
4     1  J  K  L  M         4
5     2  L  B  C  D         2
6     2  M  F  X  T         3
7     2  L  T  C  I         1
8     2  J  E  V  W         4

第 1 行的计数将为 2，因为 B 和 D 没有出现在第 1 组的任何其他行中。

我熟悉使用 group_by 和 summarize，但我无法将其扩展到这种特殊情况，这需要跨多个列和行检查每个值。例如，n_distinct 本身不起作用，因为我正在寻找非重复值，而不是唯一值。

理想情况下，该解决方案还会忽略 NA，并且不会将它们计为重复值或非重复值。

Answer 1

这是 tidyverse 的一个选项。使用 pivot_longer reshape 为“长”格式，按“group”分组，replace 所有 duplicate 'value' 为 NA，然后按行号分组，汇总得到n_distinct(不同元素的数量)的计数，并与原始数据绑定(bind)

library(dplyr)
library(tidyr)
data %>%
    mutate(rn = row_number()) %>%
    pivot_longer(cols = starts_with('c')) %>% 
    group_by(group) %>%
    mutate(value = replace(value, duplicated(value)|duplicated(value,
     fromLast = TRUE), NA)) %>%
    group_by(rn) %>%
    summarise(uniq.vals = n_distinct(value, na.rm = TRUE), .groups = 'drop') %>%
    select(uniq.vals) %>%
    bind_cols(data, .)

-输出

#   group c1 c2 c3 c4 uniq.vals
#1     1  A  B  C  D         2
#2     1  E  F  G  H         3
#3     1  A  F  C  I         1
#4     1  J  K  L  M         4
#5     2  L  B  C  D         2
#6     2  M  F  X  T         3
#7     2  L  T  C  I         1
#8     2  J  E  V  W         4