R语言按ID统计唯一分类属性计数的频率分布实现方法

原代码错误原因 #

原有dplyr代码的summarise步骤中，length(manufacturer) >0仅判断当前ID下是否存在记录，所有分组都会返回TRUE，既没有做厂商去重，也没有统计唯一值数量，因此最终仅返回总ID个数，不符合需求。

方法1：dplyr 实现（适配中小规模数据） #

代码自动识别数据中单个ID对应的最大厂商数量，自动补全中间计数为0的项，无需硬编码上限：

library(dplyr)
library(tidyr)

df %>%
  group_by(ID) %>%
  # 计算每个ID对应的去重后厂商数量
  summarise(count_manuf = n_distinct(manufacturer), .groups = "drop") %>%
  # 统计每个厂商数对应的ID个数
  count(count_manuf, name = "count_ID") %>%
  # 补全从最小厂商数到最大厂商数之间缺失的项，缺失值填0
  complete(
    count_manuf = seq(min(count_manuf), max(count_manuf)),
    fill = list(count_ID = 0)
  )

运行输出完全匹配预期格式：

# A tibble: 4 × 2
  count_manuf count_ID
        <int>    <int>
1           1        1
2           2        1
3           3        0
4           4        2

方法2：data.table 实现（适配百万行大规模数据） #

针对百万行级数据集，data.table的运行速度和内存占用表现远优于dplyr，代码如下：

library(data.table)
# 将数据框转为data.table格式
setDT(df)

# 第一步：按ID分组统计去重后的厂商数量
id_count <- df[, .(count_manuf = uniqueN(manufacturer)), by = ID]
# 第二步：自动获取最大厂商数，生成完整序列，补全0计数
max_n <- max(id_count$count_manuf)
result <- data.frame(
  count_manuf = 1:max_n,
  count_ID = tabulate(id_count$count_manuf, nbins = max_n)
)

注：这里用内置的tabulate()函数做频率统计，比循环判断的效率高一个量级，百万行数据可以在毫秒级完成计算。

关键注意点 #

• 统计分组内唯一值数量不要直接用length()，该函数仅返回分组总行数，不会做去重；dplyr用n_distinct()、data.table用uniqueN()实现去重计数
• 所有统计上限均通过数据实际计算得到的最大值自动生成，不需要提前硬编码，适配任意取值范围
• 若不需要补全计数为0的项，删掉complete()（dplyr版）或生成完整序列的步骤即可，直接返回有计数的结果

内容的提问来源于stack exchange，提问作者logjammin