R语言如何统计数据框各列排除NA值的唯一值个数

问题场景 #

给定可复现的数据框，需要统计每一列不包含缺失（NA）值的唯一值数量。下方提供的原有代码会将NA值纳入统计，导致nat_country列的唯一值计数在n_unique_values结果中显示为4（正确结果应为3）。Python中pandas提供的nunique()函数可自动排除NA值完成统计，R语言中可通过以下方法实现相同效果。

原有问题复现代码 #

nat_country = c("United-States", "Germany", "United-States", "United-States", "United-States", "United-States", "Taiwan", NA)
age = c(14,15,45,78,96,58,25,36)
dat = data.frame(nat_country, age)
# 原有错误写法：会把NA单独计为一个唯一值
n_unique_values  = t(data.frame(apply(dat, 2, function(x) length(unique(x)))))

实现方案 #

1. Base R 原生无依赖实现 #

不需要安装第三方包，只需要在统计前过滤掉列中的NA值即可，修正原有apply逻辑：

n_unique_values <- t(data.frame(apply(dat, 2, function(x) {
  # 先剔除NA值再统计唯一值长度
  length(unique(x[!is.na(x)]))
})))

如果要避免apply强制将数据框转为矩阵带来的隐式类型转换问题，推荐用向量化的vapply写法，运行效率更高也更稳定：

n_unique_values <- vapply(
  dat, 
  function(x) length(unique(x[!is.na(x)])), 
  FUN.VALUE = integer(1)
)

2. dplyr实现（与pandas nunique()逻辑对齐） #

如果使用tidyverse生态，dplyr包提供的n_distinct()函数和Python pandas的nunique()逻辑完全一致，设置参数na.rm = TRUE即可自动排除NA值统计：

library(dplyr)

# 逐列统计返回命名向量
n_unique_values <- vapply(
  dat, 
  function(x) n_distinct(x, na.rm = TRUE), 
  FUN.VALUE = integer(1)
)

# 直接整表统计返回数据框格式结果
n_unique_tbl <- dat %>%
  summarise(across(everything(), ~n_distinct(.x, na.rm = TRUE)))

运行以上任意修正后的代码，nat_country列的唯一值计数都会返回正确结果3，无缺失值的age列返回计数8。

内容的提问来源于stack exchange，提问作者Mine