实现按行筛选最小唯一值数量的自定义R函数

嘿，我懂你想要的功能啦——就是要从你的tibble里筛选出那些至少有指定数量（min_distinct）不同列值的行，对吧？毕竟你的数据大部分行已经是唯一的，但你想进一步控制每行的多样化程度。下面就来一步步实现这个自定义函数，还会结合你的测试数据来演示~

思路说明 #

核心逻辑很简单：对每一行计算其所有列中唯一值的数量，然后保留那些数量≥min_distinct的行。我们可以用tidyverse风格或者base R风格来实现，两种方式都给你列出来~

方式一：Tidyverse风格（贴合dplyr习惯） #

如果你平时常用dplyr，这个版本的函数会更符合你的使用习惯：

library(dplyr)

new_function_n_uniques <- function(data, min_distinct) {
  data %>%
    rowwise() %>%  # 开启按行处理模式
    filter(n_distinct(c_across(everything())) >= min_distinct) %>%  # 计算每行唯一值数量并筛选
    ungroup()  # 取消按行分组，恢复正常tibble结构
}

代码解释 #

• rowwise()：让后续的操作按每一行独立执行
• c_across(everything())：获取当前行的所有列值，形成一个向量
• n_distinct()：计算这个向量里唯一值的数量
• filter()：只保留唯一值数量≥min_distinct的行
• ungroup()：处理完后取消按行分组，避免后续操作受影响

方式二：Base R风格（更高效） #

如果你的数据量很大（比如远超10k行），base R的版本速度会更快，因为避免了rowwise的分组开销：

new_function_n_uniques_base <- function(data, min_distinct) {
  # 计算每行的唯一值数量
  row_unique_counts <- apply(data, 1, function(row) length(unique(row)))
  # 筛选出符合条件的行
  data[row_unique_counts >= min_distinct, ]
}

代码解释 #

• apply(data, 1, ...)：按行遍历数据框，对每一行执行后面的函数
• length(unique(row))：计算当前行的唯一值数量
• 最后用布尔向量筛选出满足条件的行

测试使用 #

用你的测试数据来演示怎么用：

# 先读取测试数据
data <- readr::read_csv("https://gist.githubusercontent.com/NateNohling/b5bd04eda864c135e1bbfa86a09a4295/raw/116f97ef2d2a1bdb0c10d493fceab1166f5a3065/test.csv")

# 用tidyverse版本筛选至少有3个不同值的行
filtered_data <- new_function_n_uniques(data, 3)

# 或者用base R版本
filtered_data_base <- new_function_n_uniques_base(data, 3)

额外小提示 #

如果你的数据里有NA值，默认情况下unique()和n_distinct()都会把NA当作一个唯一值。如果你想忽略NA的话，可以修改代码：

• Tidyverse版本：把n_distinct(c_across(everything()))改成n_distinct(c_across(everything()), na.rm = TRUE)
• Base R版本：把length(unique(row))改成length(unique(na.omit(row)))

备注：内容来源于stack exchange，提问作者NateN