R:在 j 子句中的 cut 函数中引用 data.table 字段

Question

基本上，我有以下 2 个 data.table:

dt - 包含值字段 (y) 和分组字段 (x)
bk - 包含 4 个“break”字段 (bn)，描述每个组 x 的区间 [1, inf) 的桶结构 在 dt 中找到。每个 bn 代表该存储桶的最小值(含)，并延伸到下一个存储桶(例如:x=1 的 4 个存储桶为 [1,3)，[ 3,5), [5, 10), [10, inf))。 注意桶结构不一定是唯一的。

> #4 groups (x), each with a bucket structure defined breaks (bn).
> bk<- data.table(x=c(1:4), b1=c(1,1,1,1), b2=c(3,3,4,4), b3=c(5,5,7,8), b4=c(10,10,10,10), key="x")
> bk
   x b1 b2 b3 b4
1: 1  1  3  5 10
2: 2  1  3  5 10
3: 3  1  4  7 10
4: 4  1  4  8 10
> dt<- data.table(x=rep(c(1:4),5), y=rep(c(1:10),2), key="x")
> dt
    x  y
 1: 1  1
 2: 1  5
 3: 1  9
 4: 1  3
 5: 1  7
 6: 2  2
 7: 2  6
 8: 2 10
 9: 2  4
10: 2  8
11: 3  3
12: 3  7
13: 3  1
14: 3  5
15: 3  9
16: 4  4
17: 4  8
18: 4  2
19: 4  6
20: 4 10

我的目标是在 dt 中添加一个字段 b 来根据存储桶结构指示记录属于哪个存储桶(1、2、3 或 4)对应于组x。请参阅下面所需的输出:

    x  y  b
 1: 1  1  1  #Buckets for x=1
 2: 1  5  3
 3: 1  9  3
 4: 1  3  2
 5: 1  7  3
 6: 2  2  1  #Buckets for x=2 (same as 1)
 7: 2  6  3
 8: 2 10  4
 9: 2  4  2
10: 2  8  3
11: 3  3  1  #Buckets for x=3
12: 3  7  3
13: 3  1  1
14: 3  5  2
15: 3  9  3
16: 4  4  2  #Buckets for x=4
17: 4  8  3
18: 4  2  1
19: 4  6  2
20: 4 10  4

我最初的想法是连接两个 data.table 并使用 cut 函数返回每条记录的存储桶编号，但是我遇到了问题打破参数。第一次尝试如下所示:

> bkt[dt, .(x, y, b=cut(y, breaks=c(b1, b2, b3, b4, "inf"), include.lowest=TRUE, labels=c(1:4)))]
Error in cut.default(y, breaks = c(b1, b2, b3, b4, "inf"), include.lowest = TRUE,  : 
  'breaks' are not unique

如果我创建一个变量 a 来保存存储桶结构(例如，对于 x=1)，则以下内容将按我的预期工作:

> a<- c(1, 3, 5, 10, "inf")
> bkt[dt, .(x, y, b=cut(y, breaks=a, include.lowest=TRUE, labels=c(1:4)))]
    x  y b
 1: 1  1 1
 2: 1  5 2
 3: 1  9 3
 4: 1  3 1
 5: 1  7 3
 6: 2  2 1
 7: 2  6 3
 8: 2 10 3
 9: 2  4 2
10: 2  8 3
11: 3  3 1
12: 3  7 3
13: 3  1 1
14: 3  5 2
15: 3  9 3
16: 4  4 2
17: 4  8 3
18: 4  2 1
19: 4  6 3
20: 4 10 3

对于我的应用程序来说，这仍然不是一个实用的解决方案，但我希望有人可以帮助我了解如何正确地将存储桶结构信息传递给 breaks 参数以获得类似的结果。我尝试了 c、list、unlist、as.numeric 函数的各种组合来传递正确的 break 论点但没有运气。任何帮助/见解将不胜感激。谢谢!

全面披露，我是 R 新手，这是我的第一篇文章，请保持温柔。

Answer 1

稍微改变一下连接语法:

dt[bk, v := 
  cut(y, breaks = c(b1, b2, b3, b4, Inf), include.lowest = TRUE, labels = 1:4)
, by=.EACHI]

    x  y v
 1: 1  1 1
 2: 1  5 2
 3: 1  9 3
 4: 1  3 1
 5: 1  7 3
 6: 2  2 1
 7: 2  6 3
 8: 2 10 3
 9: 2  4 2
10: 2  8 3
11: 3  3 1
12: 3  7 2
13: 3  1 1
14: 3  5 2
15: 3  9 3
16: 4  4 1
17: 4  8 2
18: 4  2 1
19: 4  6 2
20: 4 10 3

这些结果与OP中所需的输出不同，但我认为错误在于对cut参数的解释(我觉得这很令人困惑)。

这种方法相当不优雅，因为每个 b1, ..., b4 都必须写入；并且随着断点的增加，它的扩展性也不会很好。我同意 @NathanWerth reshape bk 表的建议。他的方法还给出了 OP 期望的结果，而无需摆弄 cut 参数。

<小时/>

旁注:正确的符号是 Inf 而不是 "inf"。