R:计算百分位数困难吗？

Question

我正在使用 R 编程语言。

我有以下数据集:

library(dplyr)

set.seed(123)
gender <- factor(sample(c("Male", "Female"), 5000, replace=TRUE, prob=c(0.45, 0.55)))
status <- factor(sample(c("Immigrant", "Citizen"), 5000, replace=TRUE, prob=c(0.3, 0.7)))
country <- factor(sample(c("A", "B", "C", "D"), 5000, replace=TRUE, prob=c(0.25, 0.25, 0.25, 0.25)))
disease <- factor(sample(c("Yes", "No"), 5000, replace=TRUE, prob=c(0.4, 0.6)))

my_data <- data.frame(gender, status, disease, country, var1 = rnorm(5000, 5000, 5000), var2 = rnorm(5000, 5000, 5000))

然后我用这个函数来计算变量的任意百分位数:

# source: https://stackoverflow.com/questions/74947154/r-using-dplyr-to-perform-conditional-functions
ptile <- function(x, n_percentiles) {
  # Calculate the percentiles
  pct <- quantile(x, probs = seq(0, 1, 1/n_percentiles))

  # Create a character vector to store the labels
  labels <- sprintf("%.2f to %.2f percentile %d",
                    head(pct, -1), tail(pct, -1), seq_len(n_percentiles))

  cut(x, breaks = pct, labels = labels, include.lowest = TRUE)
}

当我有时使用这个功能时:

# error not produced on this dataset, but on other datasets

na.omit(my_data) %>%
    group_by(gender, status, country) %>%
    mutate(result1 = ptile(var1, 10), result2 = ptile(var2, 5))

我收到两个错误之一:

• cut.default(x, Breaks = pct, lables = labels, include.lowest = TRUE) 中的错误:间隔数无效

• cut.default(x, Breaks = pct, labels = labels, include.lowest = TRUE) 中的错误:“breaks”不唯一

起初我认为产生这些错误是因为我在“行组”上使用此函数 - 并且在其中一些行中，可能行数太少而无法计算所需的百分位数？

我原本以为也许我可以通过排除行数不足的“组”来解决这个问题:

na.omit(my_data) %>%
    group_by(gender, status, country) %>%
filter(n() < 5) %>%
    mutate(result1 = ptile(var1, 10), result2 = ptile(var2, 5))

但同样的错误仍然存​​在。

我想知道 - 是否有某种方法可以修改此百分位数函数，以便当可能无法在所需级别计算百分位数时，可以计算下一个最接近的百分位数级别？

举个例子，如果我想要 10 人一组的百分位数，而这是不可能的 - 也许 15 人一组或 20 人一组的百分位数可能是可能的？

再举一个例子，假设某组观察值(例如男性、移民、A 国)只有 1 个观察值，而我想要 10 个一组的百分位数 - 自然，这似乎是不可能的。在不知道这样一个组预先存在的情况下，是否可以修改此 ptile 函数，使其忽略该组或仅计算最接近的可能百分位数(例如，将所有内容放入 1)？

一般来说，如何更改此 ptile 函数才能修复这些错误？

有人可以建议一种方法吗？

谢谢!

注意:我也愿意采用其他方法来编写函数/解决此问题

Answer 1

如果我们需要绕过其中一些错误，即当组中的元素数量较少时，可以选择使用 tryCatch 或 purrr::possously

library(dplyr)
library(purrr)
f_ptile <- possibly(ptile, otherwise = factor(NA_character_))

-测试

na.omit(my_data) %>%
     group_by(gender, status, country) %>%
     slice(1) %>% # this fails with original ptile function
     mutate(result1 = f_ptile(var1, 10), result2 = f_ptile(var2, 5))
# A tibble: 16 × 8
# Groups:   gender, status, country [16]
   gender status    disease country    var1   var2 result1 result2
   <fct>  <fct>     <fct>   <fct>     <dbl>  <dbl> <fct>   <fct>  
 1 Female Citizen   No      A       11902.  -2436. <NA>    <NA>   
 2 Female Citizen   Yes     B        3508.   6851. <NA>    <NA>   
 3 Female Citizen   Yes     C       16854.  -1769. <NA>    <NA>   
 4 Female Citizen   No      D       12372.   4363. <NA>    <NA>   
 5 Female Immigrant Yes     A        9635.    695. <NA>    <NA>   
 6 Female Immigrant No      B        3120.  -2674. <NA>    <NA>   
 7 Female Immigrant No      C       -1635.   3971. <NA>    <NA>   
 8 Female Immigrant No      D       -3163.   5802. <NA>    <NA>   
 9 Male   Citizen   No      A        3836.   8196. <NA>    <NA>   
10 Male   Citizen   No      B        6125.   8096. <NA>    <NA>   
11 Male   Citizen   Yes     C        2159.   9863. <NA>    <NA>   
12 Male   Citizen   No      D        3622.   8159. <NA>    <NA>   
13 Male   Immigrant No      A       -3003.   6874. <NA>    <NA>   
14 Male   Immigrant Yes     B         -27.1  4063. <NA>    <NA>   
15 Male   Immigrant No      C        4166.   2103. <NA>    <NA>   
16 Male   Immigrant No      D        5718.  17866. <NA>    <NA>