如何在R语言中批量查看所有字符/因子型变量的唯一值与水平

问题场景 #

用R处理大型数据集时，逐个查询每个字符型、因子型变量的唯一值或水平非常耗时。

示例测试数据 #

library(tidyverse)

d = tibble(age = rnorm(10, 50, 3),
           sex = rep(c("male", "female"), 5),
           name = letters[1:10]) %>% 
  mutate(sex = as.factor(sex))

d

运行上述代码即可查看示例数据的预览效果

原有操作的痛点 #

大型数据集通常包含大量分类变量，逐个核对变量取值效率极低，例如单独查询sex变量水平的代码为：

levels(d$sex)

运行仅返回结果：[1] "female" "male"，变量数量多时重复操作会浪费大量时间。

批量实现代码 #

列表格式输出（适合快速查看） #

直接返回命名列表，每个列表项对应一个分类变量的所有取值：

d %>%
  # 自动筛选所有因子型、字符型列
  select(where(~ is.factor(.x) | is.character(.x))) %>%
  # 因子列提取水平，字符列提取去重唯一值
  map(~ if (is.factor(.x)) levels(.x) else unique(.x))

长表格式输出（适合导出/整理） #

如果需要结构化的表格结果，可以用以下代码返回两列数据：variable列为变量名，value列为对应变量的取值：

d %>%
  select(where(~ is.factor(.x) | is.character(.x))) %>%
  map_dfr(~ tibble(value = if (is.factor(.x)) levels(.x) else unique(.x)), .id = "variable")

• 上述代码无需手动指定变量名，会自动识别所有符合要求的列
• 兼容普通data.frame和tibble格式的数据集
• 大型数据集下运行效率远高于手动逐个查询

内容的提问来源于stack exchange，提问作者st4co4