在R中使用`cut`合並數據時出錯

Question

我正在嘗試將值介於1到100,000之間的變量按10,000分為十組。 我正在使用以下代碼並出現錯誤。

cut(x, breaks = quantile(x, probs=seq(0, 100000, 10000)), include.lowest = TRUE)

我究竟做錯了什么？

Answer 1

好吧，起初我認為這是一個錯字，但經過評論中的一些討論后，我決定寫一個答案。

誤差發生在quantile ，因為probs應該在0到1之間（讀量為?quantile ）。

---

您似乎對以下兩個感到困惑：

cut(x, breaks = seq(0, 100000, 10000), include.lowest = TRUE)
cut(x, breaks = quantile(x, prob = seq(0, 1, 0.1)), include.lowest = TRUE)

正如我所說，它們將給出不同的結果，尤其是當您的數據分布不均勻時。

作為一個代表性示例，請考慮非均勻分布的數據，例如Beta分布：

set.seed(0)
x <- rbeta(10000, 3, 5)

b1 <- seq(0, 1, 0.1)

b2 <- quantile(x, prob = seq(0, 1, 0.1), names = FALSE)
round(b2, 2)
# [1] 0.01 0.17 0.23 0.28 0.32 0.37 0.41 0.46 0.52 0.60 0.94

注意， b2和b1之間的差異很大。 您可以檢查（經驗）分位數圖：

plot(b1, b2); abline(0, 1)

您將看到點與線的偏離很大。

在上面， b1給出統一的bin單元，而b2給出參差不齊的bin單元。 現在考慮垃圾箱計數：

table(cut(x, breaks = b1, include.lowest = TRUE))
#  [0,0.1] (0.1,0.2] (0.2,0.3] (0.3,0.4] (0.4,0.5] (0.5,0.6] (0.6,0.7] (0.7,0.8] 
#      256      1239      2011      2242      1948      1323       685       245 
#(0.8,0.9]   (0.9,1] 
#       48         3 

table(cut(x, breaks = b2, include.lowest = TRUE))
#[0.0101,0.169]  (0.169,0.228]  (0.228,0.276]  (0.276,0.321]  (0.321,0.365] 
#          1000           1000           1000           1000           1000 
# (0.365,0.412]  (0.412,0.463]  (0.463,0.519]  (0.519,0.598]  (0.598,0.935] 
#          1000           1000           1000           1000           1000 

你看到區別了嗎？ 如果我們按分位數放置斷點，則將對箱進行統一計數。