R语言如何计算数据框中每个ID对应不同事件数的平均值

现有如下R数据框d：

d <- data.frame(ID = c("a","a","a","a","a","a","b","b"),
                event = c("G12","R2","O99","B4","B4","A24","L5","J15"),
                stringsAsFactors=FALSE)

数据共包含2个由ID标识的主体，每个主体对应多条event记录：ID=a共有6条event记录，其中唯一值共5条；ID=b共有2条event记录，全部为唯一值。

计算数据集中每个主体对应的唯一event数量的平均值，示例数据的期望计算结果为：(5+2)/2 = 3.5。

尝试运行如下代码时报错：

d %>%
  group_by(ID) %>%
  summarise(mean = mean(tally(unique(event))))

错误原因 #

tally()是用于统计分组观测行数的函数，仅接受数据集作为输入，传入向量unique(event)会触发类型错误。统计分组内唯一值数量可直接使用dplyr内置的n_distinct()函数。

可行实现 #

方案1：tidyverse 实现 #

library(dplyr)
# 先分组计算每个ID的唯一event数，再求平均
d %>%
  group_by(ID) %>%
  summarise(uniq_event = n_distinct(event)) %>%
  pull(uniq_event) %>%
  mean()

也可以合并为一步输出汇总结果：

d %>%
  group_by(ID) %>%
  summarise(uniq_event = n_distinct(event)) %>%
  summarise(avg_uniq_event = mean(uniq_event))

方案2：base R 实现 #

mean(tapply(d$event, d$ID, function(x) length(unique(x))))

两种方案运行后均可得到期望结果3.5。

内容的提问来源于stack exchange，提问作者logjammin