R，dplyr : cumulative version of n_distinct

Question

我有一个数据框如下。按time列排序。

输入 -

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

我想创建另一个变量 var2，到目前为止，该变量没有计算出任何不同的 var1值，即直到 time中的每个点 grp为止。这与我使用 n_distinct会得到的有点不同。

预期产量-

   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

我想为此创建一个说 cum_n_distinct的函数，并将其用作-

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

Answer 1

假设东西已经由time排序，则首先定义一个累积的不同函数:

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

然后使用 ave创建组的基本解决方案(请注意，假定 var1是因素)，然后将我们的函数应用于每个组:

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

data.table解决方案，基本上可以完成相同的操作:

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

同样， dplyr，也是一样:

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