lineas - recodificar variables en r

dividir una variable continua en grupos de igual tamaño

Question

Necesito dividir / dividir una variable continua en 3 grupos de igual tamaño.

Marco de datos de ejemplo

das <- data.frame(anim=1:15,
                  wt=c(181,179,180.5,201,201.5,245,246.4,
                       189.3,301,354,369,205,199,394,231.3))

Después de ser cortado (de acuerdo con el valor de wt ), necesitaría tener las 3 clases bajo la nueva variable wt2 como esta:

> das 
   anim    wt wt2
1     1 181.0   1
2     2 179.0   1
3     3 180.5   1
4     4 201.0   2
5     5 201.5   2
6     6 245.0   2
7     7 246.4   3
8     8 189.3   1
9     9 301.0   3
10   10 354.0   3
11   11 369.0   3
12   12 205.0   2
13   13 199.0   1
14   14 394.0   3
15   15 231.3   2

Esto se aplicaría a un gran conjunto de datos

Answer 1

Alternativa sin usar cut2.

das$wt2 <- as.factor( as.numeric( cut(das$wt,3)))

o

das$wt2 <- as.factor( cut(das$wt,3, labels=F))

Answer 2

Aquí hay otra solución que usa la función bin_data() del paquete mltools .

library(mltools)

# Resulting bins have an equal number of observations in each group
das[, "wt2"] <- bin_data(das$wt, bins=3, binType = "quantile")

# Resulting bins are equally spaced from min to max
das[, "wt3"] <- bin_data(das$wt, bins=3, binType = "explicit")

# Or if you''d rather define the bins yourself
das[, "wt4"] <- bin_data(das$wt, bins=c(-Inf, 250, 322, Inf), binType = "explicit")

das
   anim    wt                                  wt2                                  wt3         wt4
1     1 181.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
2     2 179.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
3     3 180.5              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
4     4 201.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
5     5 201.5 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
6     6 245.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
7     7 246.4              [245.466666666667, 394]              [179, 250.666666666667) [-Inf, 250)
8     8 189.3              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
9     9 301.0              [245.466666666667, 394] [250.666666666667, 322.333333333333)  [250, 322)
10   10 354.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
11   11 369.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
12   12 205.0 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)
13   13 199.0              [179, 200.333333333333)              [179, 250.666666666667) [-Inf, 250)
14   14 394.0              [245.466666666667, 394]              [322.333333333333, 394]  [322, Inf]
15   15 231.3 [200.333333333333, 245.466666666667)              [179, 250.666666666667) [-Inf, 250)

Answer 3

O vea cut_number del paquete ggplot2 , por ejemplo

das$wt_2 <- as.numeric(cut_number(das$wt,3))

Tenga en cuenta que cut(...,3) divide el rango de los datos originales en tres intervalos de igual longitud; no necesariamente da como resultado el mismo número de observaciones por grupo si los datos están distribuidos de manera desigual (puede replicar lo que cut_number hace utilizando quantile apropiada, pero es una buena función de conveniencia). Por otro lado, Hmisc::cut2() utilizando el argumento g= divide por cuantiles, por lo que es más o menos equivalente a ggplot2::cut_number . Podría haber pensado que algo así como cut_number hubiera llegado a dplyr hasta ahora, pero hasta donde sé, no ha sido así .

Answer 4

Sin ningún paquete adicional, 3 es la cantidad de grupos:

> findInterval(das$wt, unique(quantile(das$wt, seq(0, 1, length.out = 3 + 1))), rightmost.closed = TRUE)
 [1] 1 1 1 2 2 2 3 1 3 3 3 2 1 3 2

Puede acelerar el cálculo de cuantiles utilizando una muestra representativa de los valores de interés. Verifique la documentación de la función FindInterval .

Answer 5

prueba esto:

split(das, cut(das$anim, 3))

si quieres dividir en función del valor de wt , entonces

library(Hmisc) # cut2
split(das, cut2(das$wt, g=3))

de todos modos, puedes hacer eso combinando cut , cut2 y split .

ACTUALIZADO

si desea un índice de grupo como una columna adicional, entonces

das$group <- cut(das$anim, 3)

si la columna debe ser índice como 1, 2, ..., entonces

das$group <- as.numeric(cut(das$anim, 3))

ACTUALIZADO OTRA VEZ

prueba esto:

> das$wt2 <- as.numeric(cut2(das$wt, g=3))
> das
   anim    wt wt2
1     1 181.0   1
2     2 179.0   1
3     3 180.5   1
4     4 201.0   2
5     5 201.5   2
6     6 245.0   2
7     7 246.4   3
8     8 189.3   1
9     9 301.0   3
10   10 354.0   3
11   11 369.0   3
12   12 205.0   2
13   13 199.0   1
14   14 394.0   3
15   15 231.3   2

Answer 6

ntile de dplyr ahora hace esto pero se comporta de forma extraña con NA .

He utilizado un código similar en la siguiente función que funciona en la base R y hace el equivalente de la solución cut2 anterior:

ntile_ <- function(x, n) {
    b <- x[!is.na(x)]
    q <- floor((n * (rank(b, ties.method = "first") - 1)/length(b)) + 1)
    d <- rep(NA, length(x))
    d[!is.na(x)] <- q
    return(d)
}