R - 克服“剪切”忽略数据表中范围之外的值

Question

我正在比较为期两年的每日土壤湿度 (SM) 测量值。一年内，SM 范围从 0 到 0.6。 另一年降雨较多，SM 介于 0 到 0.8 之间。在数据中，我还有一些NA's，其中 SM 传感器由于某种原因无法工作。 让我们重新创建类似的东西：

library(data.table)
set.seed(24)
dt1 <- data.table(date=seq(as.Date("2015-01-01"), length.out=365, by="1 day"), 
                  sm=sample(c(NA, runif(10, min=0, max=0.6)), 365, replace = TRUE))

dt2 <- data.table(date=seq(as.Date("2015-01-01"), length.out=365, by="1 day"), 
                  sm=sample(c(NA, runif(10, min=0, max=0.8)), 365, replace = TRUE))

我正在尝试根据每个月 SM 类之间的值比例来比较两个数据集。 我感兴趣的课程是seq(0, 0.8, by=0.2)。我还需要统计每月失败测量的比例 (NA)。

我设法通过使用akrun 的有用答案来做到这一点： R - Calculate percentage of occurrences in data.table by month

tmp1 <- dt1[, n := .N, month(date)][, .(perc=100 * .N/n[1]),
                                    by=.(month=month(date),
                                         grp=cut(sm, breaks=seq(0, 0.8, by=0.2),
                                                 labels = c('0-0.2', '0.2-0.4', '0.4-0.6', '0.6-0.8')))]

tmp2 <- dt2[, n := .N, month(date)][, .(perc=100 * .N/n[1]),
                                    by=.(month=month(date),
                                         grp=cut(sm, breaks=seq(0, 0.8, by=0.2),
                                                 labels = c('0-0.2', '0.2-0.4', '0.4-0.6', '0.6-0.8')))]

但是，输出并不完全符合我的预期。 由于dt1 中的值仅介于0 到0.6 之间，因此结果数据表tmp1 中根本没有0.6-0.8 类别。

看起来cut 忽略了最后一个类别 (0.6-0.8)，因为在该范围内没有 SM 测量值。这让我的比较真的很不方便，因为我在结果数据表tmp1 和tmp2 中没有相同的组。

有谁知道如何解决这个问题，即如何“强制”cut 考虑超出范围的值？我需要 tmp1 和 tmp2 中的所有 SM 类别，即使它们的计数为 0。

作为参考，如果我们使用table，则不会发生此问题，它始终显示所有类别，即使它们的计数为零：

t1 <- runif(10, 0, 0.6)
t2 <- runif(10, 0, 0.8)

table(cut(t1, breaks=seq(0, 0.8, by=0.2)))

  (0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8] 
        5         3         2         0 
table(cut(t2, breaks=seq(0, 0.8, by=0.2)))

  (0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8] 
        1         3         2         4 

任何意见表示赞赏。

Answer 1

使用CJ 计算所有级别，即使是那些没有出现在表格中的级别：

f = function(d){

    # create month column
    d[, month := month(date)]

    # roll to make cut-group column
    mdt = data.table(sm = c(NA, seq(0, .8, by=.2)))
    d[, lb := mdt[.SD, on=.(sm), roll=TRUE, x.sm]]

    # join with CJ to ensure all levels are present
    res = d[CJ(month = month, lb = mdt$sm, unique = TRUE), on=.(month, lb), .N, by=.EACHI]

    # rescale to monthly pct
    res[, pct := N/sum(N), by=month][]

}

# try it
f(dt1)
f(dt2)

您也可以使用cut 执行此操作。重要的是您如何将结果制成表格，而不是如何对它们进行分组...