按组计算唯一值的数量

Question

我知道combine(groupby(df, :A), nrow=>:count)可以用来计算不同:A的行数。然而，如何正确实现以获取不同:A下唯一值的数量呢？基本上，我正在寻找与R相应的方法：df %>% group_by(A) %>% summarize(n_unique = n_distinct(B))。谢谢！

- Yilong Liang

Answer 1

我认为您应该能够做到

combine(groupby(df, :A), :B => length ∘ unique => :n_distint_B)

就像这样：

julia> using DataFrames

julia> df = DataFrame(a = rand(["a", "b"], 20), b = rand(1:5, 20))
20×2 DataFrame
 Row │ a       b     
     │ String  Int64 
─────┼───────────────
   1 │ a           3
   2 │ b           4
   3 │ a           1
   4 │ a           1
   5 │ b           1
   6 │ a           2
   7 │ b           4
   8 │ a           2
   9 │ b           2
  10 │ b           1
  11 │ b           3
  12 │ b           3
  13 │ a           4
  14 │ a           4
  15 │ b           3
  16 │ b           2
  17 │ a           5
  18 │ a           5
  19 │ b           5
  20 │ a           1

julia> combine(groupby(df, :a), :b => length ∘ unique => :n_distinct_b)
2×2 DataFrame
 Row │ a       n_distinct_b 
     │ String  Int64        
─────┼──────────────────────
   1 │ a                  5
   2 │ b                  5

- Nils Gudat

---

嗨，尼尔斯，那正好解决了我的问题。非常感谢你！ - Yilong Liang

Answer 2

以下是使用双重groupby-combine策略的替代解决方案，速度略快：

julia> df = repeat(DataFrame(a = rand(["a", "b"], 20), b = rand(1:5, 20)), 10^6);

julia> @btime combine(groupby($df, :a), :b => length ∘ unique => :n_distinct_b);
  650.915 ms (237 allocations: 866.37 MiB)

julia> @btime combine(groupby(combine(groupby($df, [:a, :b]), nrow), :a), nrow => :n_distinct_b);
  457.884 ms (346 allocations: 561.20 MiB)

（但是Nils提出的更自然）

- Bogumił Kamiński