le fractionnement d'une variable continue en groupes de taille égale

Ou voir cut_number de la ggplot2 paquet, par exemple

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

Noter que cut(...,3) divise la plage de données d'origine dans trois gammes de longueurs égales; il n'a pas nécessairement le même nombre de observations par groupe si les données sont réparties de manière inégale (vous pouvez reproduire ce que cut_number le fait en utilisant quantile de façon appropriée, mais c'est une fonction de commodité). D'autre part, Hmisc::cut2() à l'aide de la g= argument ne divisé par quantiles, donc c'est plus ou moins équivalent à ggplot2::cut_number. J'aurais pensé que quelque chose comme cut_number aurait fait son chemin dans dplyr par la mesure, mais aussi loin que je peux dire il n'a pas.

ntile de dplyr maintenant, n'est ce mais se comporte bizarrement avec NA's.

J'ai utilisé le même code dans la fonction suivante, qui travaille dans la base de R et ne l'équivalent de la cut2 solution ci-dessus:

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)
}

cut, lorsqu'il n'est pas donné de façon explicite des points de rupture divise les valeurs dans des bacs de même largeur, ils ne contiennent pas un nombre égal d'éléments en général:

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

Hmisc::cut2 et ggplot2::cut_number utiliser les quantiles, qui est généralement de créer des groupes de même taille (en terme de nombre d'éléments) si les données sont bien répartis et de taille décente, il n'est pas toujours le cas cependant. mltools::bin_data peut donner des résultats différents, mais il est également basé sur les quantiles.

Ces fonctions ne sont pas toujours donner des résultats aussi probants lorsque les données contiennent un petit nombre de valeurs distinctes :

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

Ce n'est pas clair si la solution optimale a été trouvée ici.

Quel est le meilleur binning approche est subjective, mais d'une façon raisonnable d'approche il est à la recherche pour les bacs à minimiser la variance autour de la prévue dans la corbeille.

La fonction smart_cut de (mon) package cutr propose cette fonctionnalité. Il est mathématiquement lourde, bien que devrait être réservé aux cas où des points de coupe et des valeurs uniques sont que quelques-uns (qui se trouvent être généralement le cas où c'est important).

# 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 

Nous voyons les groupes sont beaucoup mieux équilibré.

"balanced" dans l'appel peut en effet être remplacée par une fonction personnalisée pour optimiser ou de restreindre les bacs comme désiré si la méthode basée sur la variance n'est pas suffisant.

Vous pouvez également utiliser le bin fonction avec method = "content" de la OneR paquet pour que:

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

Si vous voulez diviser en 3 parts égales distribué des groupes, la réponse est la même que Ben Bolker la réponse ci-dessus - utilisation ggplot2::cut_number(). Pour des raisons d'achèvement voici les 3 méthodes de conversion continue à catégorique (binning).

• cut_number(): Fait n groupes avec (environ) un nombre égal de l'observation
• cut_interval(): Fait n groupes avec la même échelle
• cut_width(): Fait des groupes de largeur largeur
  Mon go-to est cut_number() car il utilise régulièrement espacés les quantiles de binning observations. Voici un exemple avec des données asymétriques.

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()

^{Créé sur 2018-11-01 par le reprex paquet (v0.2.1)}