R中length(unique())替代n_distinct()的多列计数问题与传参咨询

问题1：length(unique(across(all_of(vars))))返回2的原因 #

across(all_of(vars))会返回一个包含指定列的tibble（子数据框），unique()处理这个tibble后得到的仍是一个tibble（包含该组内多列组合的唯一行）。而length()作用于tibble时，返回的是列的数量，不是唯一行的数量，所以你得到了vars的长度2，而非预期的唯一组合数。

问题2：length(unique(Sepal.Length, Petal.Width))返回15的原因 #

unique()函数仅接受第一个参数作为待去重的向量，后续参数会被当作函数的可选参数（比如fromLast）使用。当你传入两个变量时，Petal.Width会被强制转换为逻辑值，实际执行的是对Sepal.Length单列的去重计数——setosa组的Sepal.Length恰好有15个唯一值，所以得到15，这和多列组合的唯一计数完全无关。

解决方案：用字符向量列名实现高效多列去重计数 #

方式1：在dplyr管道内实现 #

利用cur_data()获取当前分组的数据集，通过字符向量筛选列后，用unique()获取唯一行再计数：

foo <- iris |>
  group_by(Species) |>
  mutate(
    raw_count = n(),
    adjusted_count = nrow(unique(cur_data()[vars]))
  )

对setosa组，该代码会返回预期的28。

方式2：用data.table实现更高性能（适合超大型数据集） #

data.table的uniqueN()函数原生支持按指定列计数唯一组合，性能远高于n_distinct()，尤其适合大型数据集：

library(data.table)

dt <- as.data.table(iris)
foo <- dt[, .(
  raw_count = .N,
  adjusted_count = uniqueN(.SD, by = vars)
), by = Species]

# 可选：转回tibble格式
foo <- as_tibble(foo)

内容的提问来源于stack exchange，提问作者Tom Stanton