使用 CUT 和四分位数在 R 函数中生成中断

Question

在some great advice from before 之后，我现在正在编写我的第二个 R 函数并使用类似的逻辑。但是，我正在尝试更多地自动化，并且可能对我自己的利益变得太聪明了。

我想根据订单数量将客户分成五等份。这是我的代码：

# sample data
clientID <- round(runif(200,min=2000, max=3000),0)
orders <- round(runif(200,min=1, max=50),0)

df <- df <- data.frame(cbind(clientID,orders))

#function to break them into quintiles
ApplyQuintiles <- function(x) {
  cut(x, breaks=c(quantile(df$orders, probs = seq(0, 1, by = 0.20))), 
      labels=c("0-20","20-40","40-60","60-80","80-100"))
}

#Add the quintile to the dataframe
df$Quintile <- sapply(df$orders, ApplyQuintiles)

table(df$Quintile)

0-20   20-40   40-60    60-80   80-100 
40     39      44       38      36

您会在这里看到，在我的样本数据中，我创建了 200 个观察值，但通过 table 列出的只有 197 个。剩下的 3 个是NA

现在，有些客户端 ID 的五分位数为“NA”。似乎如果它们处于最低中断，在本例中为 1，那么它们不包含在 cut 函数中。

有没有办法让cut 包含所有观察结果？

Answer 1

尝试以下方法：

set.seed(700)

clientID <- round(runif(200,min=2000, max=3000),0)
orders <- round(runif(200,min=1, max=50),0)

df <- df <- data.frame(cbind(clientID,orders))

ApplyQuintiles <- function(x) {
  cut(x, breaks=c(quantile(df$orders, probs = seq(0, 1, by = 0.20))), 
      labels=c("0-20","20-40","40-60","60-80","80-100"), include.lowest=TRUE)
}
df$Quintile <- sapply(df$orders, ApplyQuintiles)
table(df$Quintile)

0-20  20-40  40-60  60-80 80-100 
  40     41     39     40     40 

我在你的 cut 函数中包含了include.lowest=TRUE，这似乎使它起作用。详情请见?cut。

Answer 2

在古老的 Hmisc 包中还有cut2。它会进行分位数切割。

来自帮助：

函数类似于 cut 但左端点是包容性的并且标签是 形式 [lower, upper)，除了最后一个区间是 [lower,upper]。 如果给出了削减，默认情况下会确保削减包括整个 x 的范围。此外，如果未给出削减，则将 x 削减为分位数 组（g 给定）或具有给定最小观察次数的组 (米)。 cut 创建了一个类别对象，而 cut2 创建了一个因子 对象。

Answer 3

您可以很容易地使用OneR package 中的bin 函数中的content 方法自动完成此操作：

library(OneR)
set.seed(700)

clientID <- round(runif(200, min = 2000, max = 3000), 0)
orders <- round(runif(200, min = 1, max = 50), 0)
df <- data.frame(cbind(clientID, orders))

df$Quintiles <- bin(df$orders, method = "content")
table(df$Quintile)
## 
## (0.952,9.8]    (9.8,19]   (19,31.4] (31.4,38.2]   (38.2,49] 
##          40          41          39          40          40

（完全披露：我是这个包的作者）

Answer 4

我对我的数据使用了类似的函数，但我很担心，因为我的五分之一箱有不同数量的观察：可以吗？ 谢谢！

jobs02.vq <- cut(meaneduc02v, breaks=c(quantile(meaneduc02v,  probs = seq(0,        1, by=0.20), 
                          na.rm=TRUE, names=TRUE, include.lowest=TRUE, right = TRUE, 
                          labels=c("1","2","3","4","5")))) # makes quintiles

我得到的输出是：

 table(jobs02.vq, useNA='ifany')
 jobs02.vq
 [1.00,2.00) [2.00,2.51) [2.51,3.34) [3.34,4.45) [4.45,5.33]        <NA> 
     82          54          69          64          67         123 

Answer 5

一个适用于所有数据的简单函数：

    cutD <- function(x,n) {
  cut(x, breaks=c(quantile(x, probs = seq(0, 1, by = 1/n),na.rm = T)), 
      include.lowest=TRUE)
}

Answer 6

我想要一些可以工作的东西 dplyr 和 group_by;我需要切割标签来指定范围。这是我得到的

Get.breaks <- function(f, cuts, digits = 2)
{
  x <- round(quantile(f, probs = seq(1/cuts, 1 - 1/cuts, 1/cuts), names = F), digits)
  x <- sort(unique(c(0, x, Inf)))
  rm(f, cuts, digits)
  return(x)
}

df <- data.frame(cbind(clientID = round(runif(200,min=2000, max=3000),0),
                       orders = round(runif(200,min=1, max=50),0)))

cut <- df %>%
        mutate(lower = cut(orders, right = F
                           , breaks = Get.breaks(orders, cuts = 10, digits = 0)
                           , labels = head(Get.breaks(orders, cuts = 10, digits = 0), -1)
                           )
               , lower = as.numeric(as.character(lower))
               ) %>% 
        group_by(lower) %>% 
        summarise(.groups = "drop", N = n())

Answer 7

来自 Hmisc 的cut2 确实有效（参数 g 定义了分位数组的数量）

set.seed(700)

clientID <- round(runif(200,min=2000, max=3000),0)
orders <- round(runif(200,min=1, max=50),0)

df <- data.frame(cbind(clientID,orders))

library(Hmisc)
df$Quintile <- cut2(df$orders, g =5)
levels(df$Quintile) <-  c("0-20", "20-40", "40-60", "60-80", "80-100")

table(df$Quintile)
##  0-20  20-40  40-60  60-80 80-100 
##    40     41     39     40     40