Question

我在R中找到执行等频离散化的功能时遇到了问题。我偶然发现了'infotheo'软件包，但经过一些测试后发现算法被破坏了。 CRAN似乎不再支持“dprep”。

编辑：

为清楚起见，我不需要分隔箱之间的值。我真的想要相同的频率，如果一个值最终在两个箱中，则无关紧要。例如：

c(1,3,2,1,2,2)

应该提供一个c(1,1,2)和一个c(2,2,3)

Answer 1

编辑：鉴于你的真正目标，你为什么不这样做（纠正）：

 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
}

这会返回一个向量，其中包含指针所在的bin。但由于某些值可能存在于两个容器中，因此您无法定义容器限制。但你可以这样做：

x <- rpois(50,5)
y <- EqualFreq2(x,15)
table(y)
split(x,y)

原始答案：

您可以轻松地使用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,...)

}

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，最佳的相等分级是不可能的，但是这种方法可以为您提供最佳的分级。

Answer 2

通过使用（滥用？）格子的条件图基础设施，特别是函数co.intervals()，这种事情也很容易解决：

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, ...)
}

它重现了@Joris的优秀答案：

> 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

在后者，离散的情况下，断裂是不同的，尽管它们具有相同的效果;相同的观察结果都在同一个箱子中。

Answer 3

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

Answer 4

以下是处理错误的函数：'breaks' are not unique，并自动选择与您设置的值最接近的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)
}

示例：

equal_freq(mtcars$carb, 10)

检索binned变量和以下警告：

It's not possible to calculate with n_bins=10, setting n_bins in: 5.

Answer 5

这是一个受@ Joris＆＃39;启发的单线解决方案。回答：

x <- rpois(50,5)
binSize <- 5
desiredFrequency = floor(length(x)/binSize)
split(sort(x), rep(1:binSize, rep(desiredFrequency, binSize)))

Answer 6

创建classInt库＆＃34;用于选择用于映射或其他图形目的的单变量类间隔＆＃34;。你可以这样做：

dataset <- c(1,3,2,1,2,2) 

library(classInt)
classIntervals(dataset, 2, style = 'quantile')

其中2是您想要的分区数，quantile style提供分位数分隔符。有几个styles可用于此功能：＆＃34;固定＆＃34;，＆＃34; sd＆＃34;，＆＃34;等于＆＃34;，＆＃34;漂亮＆＃34;，＆＃34;分位数＆＃34;，＆＃34; kmeans＆＃34;，＆＃34; hclust＆＃34;，＆＃34; bclust＆＃34;，＆＃34; fisher＆＃34;或＆＃34; jenks＆＃34;。查看docs了解详情。

Answer 7

这是使用mltools的另一种解决方案。

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

Answer 8

我们可以将cutr软件包与功能what = "rough"一起使用，可以自定义标签的外观以进行品尝：

# 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

R中的等频离散化

8 个答案: