R:从数值变量和自定义/开放式/单值区间创建分类变量

Question

我经常发现自己尝试从数值变量+用户提供的一组范围创建分类变量。

例如，假设我有一个带有数值变量 df$V 的 data.frame并想创建一个新变量 df$VCAT这样:

• df$VCAT = 0 如果 df$V等于0
• df$VCAT = 1 如果 df$V介于 0 到 10 之间(即 (0,10))
• df$VCAT = 2 是 df$V等于 10(即 [10,10])
• df$VCAT = 3 是 df$V介于 10 到 20 之间(即 (10,20))
• df$VCAT = 4 是 df$V大于或等于 20(即 [20,Inf])

我目前正在通过自己硬编码“评分函数”来做到这一点，方法如下:

df = data.frame(V = seq(1,100))
df = df %>% mutate(VCAT = (V>0) + (V==10) + 2*(V>10) + (V>=20))

我想知道在 R 中是否有更简单的 hacky 方法来做到这一点，最好使用 dplyr (这样我就可以链接命令)。理想情况下，我正在寻找一个可以在 mutate 中使用的简短函数。它将接受变量 V以及描述范围的向量，例如 buckets 。请注意buckets此处可能无法以最佳方式进行描述，因为我不清楚它如何允许用户自定义范围的端点。

Answer 1

对数字进行分类的一种方法是使用模数运算符 %% 删除余数。 。例如。以 20 为一组进行分组:

#create raw data
unbinned<-c(1.1,1.53,5,8.3,33.5,49.22,55,57.9,79.6,81,95,201,213)
rawdata<-as.data.frame(unbinned)

#bin the data into groups of 20
binneddata<-mutate(rawdata,binned=unbinned-unbinned %% 20)

#print the data
binneddata

这会产生输出:

   unbinned binned
1      1.10      0
2      1.53      0
3      5.00      0
4      8.30      0
5     33.50     20
6     49.22     40
7     55.00     40
8     57.90     40
9     79.60     60
10    81.00     80
11    95.00     80
12   201.00    200
13   213.00    200

所以 0 代表 0-<20，20 代表 20-<40、40、40-<60 等(当然，将 binned 值除以 20 以获得像原始问题中那样的连续组)

奖金

如果您想将分箱值用作 ggplot 中的分类变量等等，通过将它们转换为字符串，它们的顺序会很奇怪，例如200 将位于 40 之前，因为字母表中“2”位于“4”之前，要解决此问题，请使用 sprintf函数创建前导零。 (3 中的 %03d 应该是您期望的最长数字的位数):

#convert the data into strings with leading zeros
binnedstring<-mutate(binneddata,bin_as_character=sprintf('%03d',binned))

#print the data
binnedstring

给出输出:

   unbinned binned bin_as_character
1      1.10      0              000
2      1.53      0              000
3      5.00      0              000
4      8.30      0              000
5     33.50     20              020
etc.

如果你想拥有000-<020 ，使用算术创建上限并使用粘贴函数连接:

#make human readable bin value
binnedstringband<-mutate(
    binnedstring,
    nextband=binned+20,
    human_readable=paste(bin_as_character,'-<',sprintf('%03d',nextband),sep='')
)

#print the data
binnedstringband

给予:

   unbinned binned bin_as_character nextband     human_readable
1      1.10      0              000       20           000-<020
2      1.53      0              000       20           000-<020
3      5.00      0              000       20           000-<020
4      8.30      0              000       20           000-<020
5     33.50     20              020       40           020-<040
etc.