Question

我有一个连续变量，我希望将其拆分为二进制数，返回一个数值向量（长度等于我的原始向量），其值与二进制值的值相关。每个bin应该具有大致相同数量的元素。

这个问题：splitting a continuous variable into equal sized groups描述了相关情况的一些技巧。例如，如果我从

开始

x = c(1,5,3,12,5,6,7)

我可以使用cut()来获取：

cut(x, 3, labels = FALSE)
[1] 1 2 1 3 2 2 2

这是不可取的，因为因子的值只是连续的整数，它们与我的向量中的基础原始值没有直接关系。

另一种可能性是cut2：例如：

library(Hmisc)
cut2(x, g = 3, levels.mean = TRUE)
[1] 3.5 3.5 3.5 9.5 3.5 6.0 9.5

这更好，因为现在返回值与箱的值有关。从那以后它仍然不太理想：

（a）它产生一个因子，然后需要将其转换为数字（参见e.g.），这既慢又笨拙。
（b）理想情况下，我希望能够选择是否使用间隔的顶端或底端，而不仅仅是手段。

我知道还有一些选项可以使用正则表达式从cut或cut2返回因子来获取区间的顶点或底点。这些看起来过于繁琐。

这只是一种需要一些不那么优雅的黑客攻击的情况吗？或者，是否有一些更容易实现的功能？

我目前的最佳努力如下：

MyDiscretize = function(x, N_Bins){
    f = cut2(x, g = N_Bins, levels.mean = TRUE)
    return(as.numeric(levels(f))[f])
}

我的目标是找到更快，更优雅，更容易适应使用任何一个端点的东西，而不仅仅是手段。

修改：

澄清一下：我想要的输出是：

（a）与我在cut2示例中可以实现的内容相同，但不需要将因子转换为数字。
（b）如果可能，还可以轻松选择使用间隔的任何一个端点，而不是中点。

Answer 1

也许不是很优雅，但应该是高效的。试试这个功能：

myCut<-function(x,breaks,retValues=c("means","highs","lows")) {
    retValues<-match.arg(retValues)
    if (length(breaks)!=1) stop("breaks must be a single number")
    breaks<-as.integer(breaks)
    if (is.na(breaks)||breaks<2) stop("breaks must greater than or equal to 2") 
    intervals<-seq(min(x),max(x),length.out=breaks+1)
    bins<-findInterval(x,intervals,all.inside=TRUE)
    if (retValues=="means") return(rowMeans(cbind(intervals[-(breaks+1)],intervals[-1]))[bins])
    if (retValues=="highs") return(intervals[-1][bins]) 
    intervals[-(breaks+1)][bins]
}
x = c(1,5,3,12,5,6,7)
myCut(x,3)
#[1]  2.833333  6.500000  2.833333 10.166667  6.500000  6.500000  6.500000
myCut(x,3,"highs")
#[1]  4.666667  8.333333  4.666667 12.000000  8.333333  8.333333  8.333333
myCut(x,3,"lows")
#[1] 1.000000 4.666667 1.000000 8.333333 4.666667 4.666667 4.666667

Answer 2

像这样使用x = c(1,5,3,12,5,6,7)：

假设：

ave(x,cut2(x,g = 3), FUN = mean)
[1] 3.5 3.5 3.5 9.5 3.5 6.0 9.5

平均：

ave(x,cut2(x,g = 3), FUN = min)
[1] 1 1 1 7 1 6 7

敏：

ave(x,cut2(x,g = 3), FUN = max)
[1]  5  5  5 12  5  6 12

最大：

ave(x,cut2(x,g = 3), FUN = sd)
[1] 1.914854 1.914854 1.914854 3.535534 1.914854       NA 3.535534

或标准差：

cut2

请注意区间内只有一个数据点的NA结果。

希望这就是你所需要的。

注意：
cut中的参数g是分位数组的数量。组可能没有相同数量的数据点，并且间隔可能不具有相同的长度另一方面，<option value="<?php echo $status['status'].' by '.$staff['name'].' '.$staff['surname']; ?>">Set to <?php echo ucwords($status['status']); ?> </option>将间隔分成几个相等的长度。

将连续变量拆分为具有相同数量元素的组 - 从bin值返回数值向量

2 个答案: