R语言按公司-年度分组统计两列行业标识的跨列唯一值数量

你原代码的核心问题是across()会对选中的每一列单独执行计算，仅统计单列内部的唯一值，没有合并两列的取值后再全局去重，因此无法得到跨列的去重总数。

正确dplyr实现代码 #

直接在分组内将两列的取值拼接为一个向量，再调用n_distinct()计数即可，注意你原代码里的管道符书写有误，正确的管道符是%>%：

library(dplyr)

Segments %>%
  group_by(gvkey, Year) %>%
  summarise(
    n_unique = n_distinct(c(SICS1, SICS2)),
    .groups = "drop"
  )

运行后输出结果和你的预期完全一致：

# A tibble: 4 × 3
  gvkey  Year n_unique
  <int> <int>    <int>
1  1209  2017        3
2  1209  2018        6
3  1503  2017        3
4  1503  2018        3

扩展适配场景 #

如果后续需要统计更多连续列的跨列去重值，可以把c(SICS1, SICS2)替换为c_across(SICS1:SICS2)，支持和across()一致的列选择语法，列数较多时写法更简洁：

Segments %>%
  group_by(gvkey, Year) %>%
  summarise(
    n_unique = n_distinct(c_across(starts_with("SICS"))), # 自动选中所有SICS开头的行业列
    .groups = "drop"
  )

原方法错误原因 #

• 原写法across(SICS1:SICS2, n_distinct)会返回两列结果，分别是SICS1列内的去重数、SICS2列内的去重数
• 直接将两个结果相加时，同时出现在SICS1和SICS2中的行业编码会被重复计数，比如示例中1209公司2017年的3569同时出现在两列，加总会得到2+2=4的错误结果，和真实去重数3不符

内容的提问来源于stack exchange，提问作者HlmlVrlrn