我无法在 R 中找到执行等频离散化的函数。我偶然发现了“infotheo”包，但经过一些测试后，我发现算法被破坏了。 CRAN 似乎不再支持“dprep”。
编辑：
为了清楚起见，我不需要在 bin 之间分隔值。我真的想要相同的频率，如果一个值最终出现在两个箱中并不重要。例如：
c(1,3,2,1,2,2)
应该给一个箱子c(1,1,2)和一个c(2,2,3)
【问题讨论】：
标签： r
编辑：鉴于你的真正目标，你为什么不做（更正）：
EqualFreq2 <- function(x,n){
nx <- length(x)
nrepl <- floor(nx/n)
nplus <- sample(1:n,nx - nrepl*n)
nrep <- rep(nrepl,n)
nrep[nplus] <- nrepl+1
x[order(x)] <- rep(seq.int(n),nrep)
x
}
这将返回一个向量，其中包含它们所在的 bin 的指示符。但由于两个 bin 中可能存在某些值，因此您不可能定义 bin 限制。但你可以这样做：
x <- rpois(50,5)
y <- EqualFreq2(x,15)
table(y)
split(x,y)
原答案：
您可以轻松地为此使用cut()：
EqualFreq <-function(x,n,include.lowest=TRUE,...){
nx <- length(x)
id <- round(c(1,(1:(n-1))*(nx/n),nx))
breaks <- sort(x)[id]
if( sum(duplicated(breaks))>0 stop("n is too large.")
cut(x,breaks,include.lowest=include.lowest,...)
}
这给出了：
set.seed(12345)
x <- rnorm(50)
table(EqualFreq(x,5))
[-2.38,-0.886] (-0.886,-0.116] (-0.116,0.586] (0.586,0.937] (0.937,2.2]
10 10 10 10 10
x <- rpois(50,5)
table(EqualFreq(x,5))
[1,3] (3,5] (5,6] (6,7] (7,11]
10 13 11 6 10
如您所见，对于离散数据，在大多数情况下，最佳的相等分箱是相当不可能的，但这种方法为您提供了可能的最佳分箱。
【讨论】：
quantile 设置休息时间：table(cut(x,quantile(x),include.lowest=T))
这种事情也很容易通过使用（滥用？）lattice 中的条件绘图基础设施来解决，特别是函数co.intervals()：
cutEqual <- function(x, n, include.lowest = TRUE, ...) {
stopifnot(require(lattice))
cut(x, co.intervals(x, n, 0)[c(1, (n+1):(n*2))],
include.lowest = include.lowest, ...)
}
这再现了@Joris 的出色回答：
> set.seed(12345)
> x <- rnorm(50)
> table(cutEqual(x, 5))
[-2.38,-0.885] (-0.885,-0.115] (-0.115,0.587] (0.587,0.938] (0.938,2.2]
10 10 10 10 10
> y <- rpois(50, 5)
> table(cutEqual(y, 5))
[0.5,3.5] (3.5,5.5] (5.5,6.5] (6.5,7.5] (7.5,11.5]
10 13 11 6 10
在后一种离散情况下，虽然它们具有相同的效果，但中断是不同的；相同的观察结果在相同的 bin 中。
【讨论】：
怎么样？
a <- rnorm(50)
> table(Hmisc::cut2(a, m = 10))
[-2.2020,-0.7710) [-0.7710,-0.2352) [-0.2352, 0.0997) [ 0.0997, 0.9775)
10 10 10 10
[ 0.9775, 2.5677]
10
【讨论】：
这是一个处理错误的函数：'breaks' are not unique，并自动选择最接近您设置的n_bins值。
equal_freq <- function(var, n_bins)
{
require(ggplot2)
n_bins_orig=n_bins
res=tryCatch(cut_number(var, n = n_bins), error=function(e) {return (e)})
while(grepl("'breaks' are not unique", res[1]) & n_bins>1)
{
n_bins=n_bins-1
res=tryCatch(cut_number(var, n = n_bins), error=function(e) {return (e)})
}
if(n_bins_orig != n_bins)
warning(sprintf("It's not possible to calculate with n_bins=%s, setting n_bins in: %s.", n_bins_orig, n_bins))
return(res)
}
例子：
equal_freq(mtcars$carb, 10)
检索分箱变量和以下警告：
It's not possible to calculate with n_bins=10, setting n_bins in: 5.
【讨论】：
这是一个受@Joris 回答启发的单线解决方案：
x <- rpois(50,5)
binSize <- 5
desiredFrequency = floor(length(x)/binSize)
split(sort(x), rep(1:binSize, rep(desiredFrequency, binSize)))
【讨论】：
这是另一个使用 mltools 的解决方案。
set.seed(1)
x <- round(rnorm(20), 2)
x.binned <- mltools::bin_data(x, bins = 5, binType = "quantile")
table(x.binned)
x.binned
[-2.21, -0.622) [-0.622, 0.1) [0.1, 0.526) [0.526, 0.844) [0.844, 1.6]
4 4 4 4 4
【讨论】：
我们可以使用 cutr 包装 what = "rough"，标签的外观可以根据口味定制：
# devtools::install_github("moodymudskipper/cutr")
library(cutr)
smart_cut(c(1, 3, 2, 1, 2, 2), 2, "rough", brackets = NULL, sep="-")
# [1] 1-2 2-3 1-2 1-2 2-3 2-3
# Levels: 1-2 < 2-3
【讨论】：