R - cut2 - 一個 bin 表示 0，10 表示其他所有

Question

我有一個偏態分布的數據集，我想將其划分為具有相同觀察數量的箱 - 除了偏態。

澄清一下，我有大量的零，以及相對較少的 > 0 觀測值。

如果我使用 cut2 將值分為 10 個包括零的 bin，我會得到以下結果。

library(data.table)
library(Hmisc)

DT<-data.table(x=rep(0,100), y=rep(0,100))
DT<-rbind(DT, data.table(x=seq(1:100),y=seq(1:100)))
DT
       x   y
  1:   0   0
  2:   0   0
  3:   0   0
  4:   0   0
  5:   0   0
 ---        
196:  96  96
197:  97  97
198:  98  98
199:  99  99
200: 100 100

只看 x

data.table(DT[, cut2(x, g=10)])[,.N, by=V1]
         V1   N
1:        0 100
2: [ 1, 21)  20
3: [21, 41)  20
4: [41, 61)  20
5: [61, 81)  20
6: [81,100]  20

因此，100 個零的存在已將 bin 移動到零以上的觀測值聚集成 5 個桶的點。

如果我專門過濾掉零並應用 10 個 bin，我會按預期得到以下結果...

data.table(DT[x>0, cut2(x, g=10)])[,.N, by=V1]
          V1  N
 1: [ 1, 11) 10
 2: [11, 21) 10
 3: [21, 31) 10
 4: [31, 41) 10
 5: [41, 51) 10
 6: [51, 61) 10
 7: [61, 71) 10
 8: [71, 81) 10
 9: [81, 91) 10
10: [91,100] 10

我想要做的是有 11 個桶 - 一個用於零，10 個用於非零。 我當然可以通過 2 個單獨的操作來應用它

DT[x==0, bin:=cut2(x, g=1)]
Warning message:
In min(diff(x.unique)) : no non-missing arguments to min; returning Inf

DT[x>0, bin:=cut2(x, g=10)]
DT[, .(min(x), max(x)), by=bin]
         bin V1  V2
 1:        0  0   0
 2: [ 1, 11)  1  10
 3: [11, 21) 11  20
 4: [21, 31) 21  30
 5: [31, 41) 31  40
 6: [41, 51) 41  50
 7: [51, 61) 51  60
 8: [61, 71) 61  70
 9: [71, 81) 71  80
10: [81, 91) 81  90
11: [91,100] 91 100

但是我必須為 y 重復那些相同的 2 個操作。 我的實際數據表大約有 30 列，所以我想知道是否有：

1. 允許我將這兩個操作一起應用於單個列的快捷方式？
2. 允許我將這兩個操作應用於 30 列的列表的進一步快捷方式？

我可以看到的關鍵部分是過濾器部分 - 分布都偏向於零，但每列包含不同數量的觀測值，因此將具有不同的 bin。

任何指針將不勝感激。

大衛

ps 希望帖子的布局可以讓您剪切和粘貼代碼 - 為了清楚起見，我包含了輸出，但如果有問題，請告訴我。

編輯在查看@Eddi 的答案並應用於我的數據后，我可以看到我提供的數據與我實際運行的數據存在問題。

這些是在我的數據上使用 Eddi 的方法運行的結果（名稱被屏蔽）...

> data.table(XXX[, cut2(yyy, m = 
sum(yyy > 0)/10)])[, .N, by = V1]
              V1   N
 1: [   0,    4) 284
 2: [3891,72337] 264
 3: [1212, 3891) 264
 4: [ 519, 1212) 264
 5: [ 208,  519) 263
 6: [  49,  101) 267
 7: [ 101,  208) 263
 8: [  11,   24) 258
 9: [  24,   49) 263
10: [   4,   11) 252
 > XXX[yyy==0, .N,]
 [1] 74
> XXX[yyy>=0, .N,]
[1] 2642

我已經更新了測試數據集以重現這些結果，如下所示 - 主要是將潛在值的范圍擴展到 70,000 並隨機而不是順序生成它們。 還生成了 2700 個，而不是我正在使用的 100 個左右

DT<-data.table(x=rep(0,100), y=rep(0,100))
DT<-rbind(DT, data.table(x=runif(2600,1,70000),y=runif(2600,1,70000)))
DT
data.table(DT[, cut2(x, m = sum(x > 0)/10)])[, .N, by = V1]

           V1   N
 1: [    0, 4798) 270
 2: [41289,48407) 270
 3: [11482,18413) 270
 4: [48407,55678) 270
 5: [55678,62157) 270
 6: [33040,41289) 270
 7: [25470,33040) 270
 8: [ 4798,11482) 270
 9: [62157,69983] 270
10: [18413,25470) 270

因此，這已將零桶卷入其余 10 個桶中 - 誠然，這不會對分布產生重大影響，但它是此方法似乎略有崩潰的列之一。

為測試數據中的錯誤道歉，我沒有預料到這種類型的影響。

歡迎任何有關如何進行的想法......

干杯

大衛

Answer 1

在收到 Eddi 的反饋和我自己對此的實驗后，我決定對列列表使用 for 循環，特別是首先對零進行分箱，然后分別對非零進行分箱。

DT<-data.table(x=rep(0,100), y=rep(0,100))
DT<-rbind(DT, data.table(x=runif(100,1,10000),y=runif(100,1,10000)))
DT


cols <- data.table(col_name=c("x","y"))


for(col in 1:nrow(cols)){

    DT[get(cols[col, col_name])==0,(paste(cols[col,col_name],"_bin",sep="")):= cut2(get(cols[col, col_name]),g=1)]
    DT[get(cols[col, col_name])>0,(paste(cols[col, col_name],"_bin",sep="")):= cut2(get(cols[col, col_name]),g=10)]

}  

data.table(DT[, cut2(x, m = sum(x > 0)/10)])[, .N, by = V1]

                   V1   N
 1:              0.00 100
 2: [2540.22,4009.79)  10
 3: [4923.05,5736.81)  10
 4: [4009.79,4923.05)  10
 5: [ 910.57,1563.99)  10
 6: [5736.81,6121.23)  10
 7: [   9.77, 910.57)  10
 8: [9240.77,9957.27]  10
 9: [1563.99,2540.22)  10
10: [6121.23,7759.80)  10
11: [7759.80,9240.77)  10