r - 计算字符串中逗号分隔的唯一值

Question

数据框的前两列构成一个复合键，有一列 char 类型包含逗号分隔的整数。我的目标是制作一列，其中包含字符串中唯一整数的计数。
我知道使用 str_split_fixed 将字符串转换为列然后计算唯一值的方法，但是由于字符串的长度，添加了大量列并且一切都滞后。有没有其他方法？
实际数据集包含 500k 行和 53 列。
示例数据集:
df

c1      c2    c3  
aa      11   1,13,4,5,4,7,9    
bb      22   2,5,2,4,5,7,11,     
cc      33   11,14,3,1,    
dd      44   1,1,2,4,5,6,15,    
ee      55   4,3,3,1,14,17,

所需的输出:

c1        c2             c3             c4  
------ | ------   | ------          | -----   
aa     | 11       | 1,13,4,5,4,7,9  |  6    
------ | ------   | ------          | -----   
bb     | 22       | 2,5,2,4,5,7,11, |  5   
------ | ------   | ------          | -----   
cc     | 33       | 11,14,3,1,      |  4   
------ | ------   | ------          | -----   
dd     | 44       | 1,1,2,4,5,6,15, |  6       
------ | ------   | ------          | -----   
ee     | 55       | 4,3,3,1,7,17,7, |  5    
------ | ------   | ------          | -----  

任何帮助，将不胜感激!

Answer 1

使用 strsplit与 uniqueN来自 data.table -包裹:

df$c4 <- sapply(strsplit(df$c3,','), uniqueN)

这使:

> df
  c1 c2              c3 c4
1 aa 11  1,13,4,5,4,7,9  6
2 bb 22 2,5,2,4,5,7,11,  5
3 cc 33      11,14,3,1,  4
4 dd 44 1,1,2,4,5,6,15,  6
5 ee 55  4,3,3,1,14,17,  5

注意:如果 df$c3是一个因子变量，将其包裹在 as.character 中: sapply(strsplit(as.character(df$c3), ','), uniqueN)
另一个用于创建的基本 R 替代方案 df$c4 :

sapply(regmatches(df$c3, gregexpr('\\d+', df$c3)), function(x) length(unique(x)))

一个 tidyverse选择:

library(dplyr)
library(tidyr)
df %>% 
  separate_rows(c3) %>% 
  filter(c3 != '') %>% 
  group_by(c1) %>% 
  summarise(c4 = n_distinct(c3)) %>% 
  left_join(df, .)