63

我需要将一个连续变量拆分/划分为 3 个大小相等的组。

示例数据框：

das <- data.frame(anim = 1:15,
                  wt = c(181,179,180.5,201,201.5,245,246.4,
                         189.3,301,354,369,205,199,394,231.3))

被切割后（根据 的值wt），我需要在新变量下拥有 3 个类，wt2如下所示：

> das 
   anim    wt wt2
1     1 181.0   1
2     2 179.0   1
3     3 180.5   1
4     4 201.0   2
5     5 201.5   2
6     6 245.0   2
7     7 246.4   3
8     8 189.3   1
9     9 301.0   3
10   10 354.0   3
11   11 369.0   3
12   12 205.0   2
13   13 199.0   1
14   14 394.0   3
15   15 231.3   2

这将应用于大型数据集。

4

11 回答 11

67

试试这个：

split(das, cut(das$anim, 3))

如果要根据 的值进行拆分wt，则

library(Hmisc) # cut2
split(das, cut2(das$wt, g=3))

无论如何，您可以通过组合cut,cut2和来做到这一点split。

更新

如果要将组索引作为附加列，则

das$group <- cut(das$anim, 3)

如果该列应该是像 1、2、... 这样的索引，那么

das$group <- as.numeric(cut(das$anim, 3))

再次更新

试试这个：

> das$wt2 <- as.numeric(cut2(das$wt, g=3))
> das
   anim    wt wt2
1     1 181.0   1
2     2 179.0   1
3     3 180.5   1
4     4 201.0   2
5     5 201.5   2
6     6 245.0   2
7     7 246.4   3
8     8 189.3   1
9     9 301.0   3
10   10 354.0   3
11   11 369.0   3
12   12 205.0   2
13   13 199.0   1
14   14 394.0   3
15   15 231.3   2
于 2011-05-24T01:31:14.670 回答
61

或cut_number从ggplot2包装中查看，例如

das$wt_2 <- as.numeric(cut_number(das$wt,3))

注意cut(...,3)将原始数据的范围划分为三个等长的范围；如果数据分布不均匀，它不一定会导致每组的观察cut_number次数相同（您可以通过quantile适当地使用来复制所做的事情，但这是一个很好的便利功能）。另一方面，Hmisc::cut2()使用g=参数确实按分位数分割，因此或多或少等同于ggplot2::cut_number。到目前为止，我可能认为类似的东西cut_number会进入dplyr，但据我所知，它还没有。

于 2011-11-01T11:41:05.613 回答
11

这是使用mltools包中的bin_data()函数的另一个解决方案。

library(mltools)

# Resulting bins have an equal number of observations in each group
das[, "wt2"] <- bin_data(das$wt, bins=3, binType = "quantile")

# Resulting bins are equally spaced from min to max
das[, "wt3"] <- bin_data(das$wt, bins=3, binType = "explicit")

# Or if you'd rather define the bins yourself
das[, "wt4"] <- bin_data(das$wt, bins=c(-Inf, 250, 322, Inf), binType = "explicit")

das
   anim    wt                                  wt2                                  wt3         wt4
1     1 181.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
2     2 179.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
3     3 180.5              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
4     4 201.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
5     5 201.5 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
6     6 245.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
7     7 246.4              [245.466666666667, 394]              [179, 250.666666666667) [-Inf, 250)
8     8 189.3              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
9     9 301.0              [245.466666666667, 394] [250.666666666667, 322.333333333333)  [250, 322)
10   10 354.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
11   11 369.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
12   12 205.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
13   13 199.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
14   14 394.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
15   15 231.3 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
于 2017-07-13T04:02:55.707 回答
8

不使用 cut2 的替代方案。

das$wt2 <- as.factor( as.numeric( cut(das$wt,3)))

或者

das$wt2 <- as.factor( cut(das$wt,3, labels=F))

正如@ben-bolker 所指出的，这分为等宽而不是占用。我认为使用quantiles一个可以近似相等的占用

x = rnorm(10)
x
 [1] -0.1074316  0.6690681 -1.7168853  0.5144931  1.6460280  0.7014368
 [7]  1.1170587 -0.8503069  0.4462932 -0.1089427
bin = 3 #for 1/3 rd, 4 for 1/4, 100 for 1/100th etc
xx = cut(x, quantile(x, breaks=1/bin*c(1:bin)), labels=F, include.lowest=T)
table(xx)
1 2 3 4
3 2 2 3
于 2011-10-05T10:27:05.597 回答
8

如果你想分成 3 个均匀分布的组，答案与上面 Ben Bolker 的答案相同——使用ggplot2::cut_number()。为了完整起见，这里有 3 种将连续转换为分类（分箱）的方法。

  • cut_number()：使 n 组具有（大约）相同数量的观察
  • cut_interval()：使 n 组具有相等的范围
  • cut_width()：制作宽度组

我的首选是cut_number()因为这使用均匀间隔的分位数进行分箱观察。这是一个带有倾斜数据的示例。

library(tidyverse)

skewed_tbl <- tibble(
    counts = c(1:100, 1:50, 1:20, rep(1:10, 3), 
               rep(1:5, 5), rep(1:2, 10), rep(1, 20))
    ) %>%
    mutate(
        counts_cut_number   = cut_number(counts, n = 4),
        counts_cut_interval = cut_interval(counts, n = 4),
        counts_cut_width    = cut_width(counts, width = 25)
        ) 

# Data
skewed_tbl
#> # A tibble: 265 x 4
#>    counts counts_cut_number counts_cut_interval counts_cut_width
#>     <dbl> <fct>             <fct>               <fct>           
#>  1      1 [1,3]             [1,25.8]            [-12.5,12.5]    
#>  2      2 [1,3]             [1,25.8]            [-12.5,12.5]    
#>  3      3 [1,3]             [1,25.8]            [-12.5,12.5]    
#>  4      4 (3,13]            [1,25.8]            [-12.5,12.5]    
#>  5      5 (3,13]            [1,25.8]            [-12.5,12.5]    
#>  6      6 (3,13]            [1,25.8]            [-12.5,12.5]    
#>  7      7 (3,13]            [1,25.8]            [-12.5,12.5]    
#>  8      8 (3,13]            [1,25.8]            [-12.5,12.5]    
#>  9      9 (3,13]            [1,25.8]            [-12.5,12.5]    
#> 10     10 (3,13]            [1,25.8]            [-12.5,12.5]    
#> # ... with 255 more rows

summary(skewed_tbl$counts)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    1.00    3.00   13.00   25.75   42.00  100.00

# Histogram showing skew
skewed_tbl %>%
    ggplot(aes(counts)) +
    geom_histogram(bins = 30)


# cut_number() evenly distributes observations into bins by quantile
skewed_tbl %>%
    ggplot(aes(counts_cut_number)) +
    geom_bar()


# cut_interval() evenly splits the interval across the range
skewed_tbl %>%
    ggplot(aes(counts_cut_interval)) +
    geom_bar()


# cut_width() uses the width = 25 to create bins that are 25 in width
skewed_tbl %>%
    ggplot(aes(counts_cut_width)) +
    geom_bar()

由reprex 包（v0.2.1）于 2018 年 11 月 1 日创建

于 2018-11-01T20:54:24.910 回答
7

ntile从dplyr现在开始这样做，但与NA's.

我在以下函数中使用了类似的代码，该代码在基本 R 中工作，并且与上述cut2解决方案等效：

ntile_ <- function(x, n) {
    b <- x[!is.na(x)]
    q <- floor((n * (rank(b, ties.method = "first") - 1)/length(b)) + 1)
    d <- rep(NA, length(x))
    d[!is.na(x)] <- q
    return(d)
}
于 2016-10-15T01:22:57.917 回答
4

cut，当没有给出明确的断点将值划分为相同宽度的箱时，它们通常不会包含相同数量的项目：

x <- c(1:4,10)
lengths(split(x, cut(x, 2)))
# (0.991,5.5]    (5.5,10] 
#           4           1

Hmisc::cut2并ggplot2::cut_number使用分位数，如果数据分布良好且大小合适，通常会创建相同大小的组（就元素数量而言），但情况并非总是如此。mltools::bin_data可以给出不同的结果，但也基于分位数。

当数据包含少量不同的值时，这些函数并不总是给出整洁的结果：

x <- rep(c(1:20),c(15, 7, 10, 3, 9, 3, 4, 9, 3, 2,
                   23, 2, 4, 1, 1, 7, 18, 37, 6, 2))

table(x)
# x
#  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 
# 15  7 10  3  9  3  4  9  3  2 23  2  4  1  1  7 18 37  6  2   

table(Hmisc::cut2(x, g=4))
# [ 1, 6) [ 6,12) [12,19) [19,20] 
#      44      44      70       8

table(ggplot2::cut_number(x, 4))
# [1,5]  (5,11] (11,18] (18,20] 
#    44      44      70       8

table(mltools::bin_data(x, bins=4, binType = "quantile"))
# [1, 5)  [5, 11) [11, 18) [18, 20] 
#     35       30       56       45

尚不清楚是否已在此处找到最佳解决方案。

什么是最好的分箱方法是一个主观问题，但一种合理的方法是寻找使预期箱大小周围的方差最小化的箱。

smart_cut（我的）包中的功能cutr提出了这样的功能。虽然它的计算量很大，但应该保留给切点和唯一值很少的情况（这通常是重要的情况）。

# devtools::install_github("moodymudskipper/cutr")
table(cutr::smart_cut(x, list(4, "balanced"), "g"))
# [1,6)  [6,12) [12,18) [18,20] 
# 44      44      33      45

我们看到这些组的平衡要好得多。

"balanced"实际上，如果基于方差的方法还不够，则调用中的 in 实际上可以由自定义函数替换，以根据需要优化或限制 bin。

于 2018-09-14T13:50:34.130 回答
1

equal_freqfromfunModeling接受一个向量和 bin 的数量（基于相同的频率）：

das <- data.frame(anim=1:15,
                  wt=c(181,179,180.5,201,201.5,245,246.4,
                       189.3,301,354,369,205,199,394,231.3))

das$wt_bin=funModeling::equal_freq(das$wt, 3)

table(das$wt_bin)

#[179,201) [201,246) [246,394] 
#        5         5         5
于 2019-04-10T14:23:04.537 回答
1

您还可以使用包中的bin函数method = "content"来OneR实现这一点：

library(OneR)
das$wt_2 <- as.numeric(bin(das$wt, nbins = 3, method = "content"))
das
##    anim    wt wt_2
## 1     1 181.0    1
## 2     2 179.0    1
## 3     3 180.5    1
## 4     4 201.0    2
## 5     5 201.5    2
## 6     6 245.0    2
## 7     7 246.4    3
## 8     8 189.3    1
## 9     9 301.0    3
## 10   10 354.0    3
## 11   11 369.0    3
## 12   12 205.0    2
## 13   13 199.0    1
## 14   14 394.0    3
## 15   15 231.3    2
于 2019-09-02T21:32:29.330 回答
0

没有任何额外的包，3 是组的数量：

> findInterval(das$wt, unique(quantile(das$wt, seq(0, 1, length.out = 3 + 1))), rightmost.closed = TRUE)
 [1] 1 1 1 2 2 2 3 1 3 3 3 2 1 3 2

您可以通过使用感兴趣值的代表性样本来加快分位数计算。仔细检查FindInterval函数的文档。

于 2017-12-17T16:28:26.720 回答
0

因此，有趣的是，如果您想将变量“wt”切割成具有相等 3 个子部分的部分（即 179-181、181-183 等）；你可以这样做：

x<-table(as.matrix(cut(das$wt,breaks = ((max(das$wt)-min(das$wt))/3)),as.numeric(cut(das$wt,breaks = ((max(das$wt)-min(das$wt))/3)))))

根据数据集“das”给出结果：

x
(179,182] (188,191] (197,200] (200,203] (203,206] (230,234] (243,246] 
    3         1         1         2         1         1         1 
(246,249] (300,303] (352,355] (367,370] (391,394] 
    1         1         1         1         1

（代码中的数字 3 是任意项目，可以根据您的兴趣进行更改。）

于 2021-12-08T10:00:24.883 回答