如何按分组断点对数据程序化分箱？（group_by与cut应用）

我有两个分组一致的数据框，一个是基础数据，另一个是每组对应的独立断点集合。想通过这些断点把数据划分到不同分箱里，能不能用group_by() %>% cut()这类流程实现程序化操作，不用手动指定每组的断点？

以下是用iris数据集的可复现示例：

data("iris")

boundaries <- iris %>% 
  group_by(Species) %>% 
  summarize(mean = mean(Sepal.Length), upper=mean(Sepal.Length)+0.2, lower=mean(Sepal.Length)-0.2) %>%
  data.frame()

boundaries
#      Species  mean upper lower
# 1     setosa 5.006 5.206 4.806
# 2 versicolor 5.936 6.136 5.736
# 3  virginica 6.588 6.788 6.388

给整个数据集用单一断点集很简单：

boundsSample <- c(-Inf, as.numeric(boundaries[1,2:4]), Inf)

binned <- iris %>%
  mutate(bin = cut(Sepal.Length, breaks=boundsSample, labels = c('1', '2', '3', '4')))

但我没法实现按分组分箱且不用手动提取每组断点。我试过下面的写法，但不知道怎么让group_by()作用于断点：

binned <- iris %>%
  group_by(Species) %>%
  mutate(bin = cut(Sepal.Length, breaks=boundaries, labels = c('1', '2', '3', '4')))

还试过把断点数据框和主数据合并，让每个数据点关联对应断点，但出现“断点不唯一”的错误：

joined <- left_join(iris, boundaries, by="Species") %>%
  mutate(bin = cut(Sepal.Length, 
               breaks=c(-Inf, lower, mean, upper, Inf), 
               labels = c('1', '2', '3', '4')))

解决方案 #

方法1：分组后匹配当前组的断点

利用dplyr的cur_group()获取当前分组信息，匹配boundaries中对应组的断点，再传入cut()：

library(dplyr)

binned <- iris %>%
  group_by(Species) %>%
  mutate(
    # 构造当前组的断点向量
    group_breaks = list(c(-Inf, pull(boundaries[boundaries$Species == cur_group()$Species, c("lower", "mean", "upper")]), Inf)),
    bin = cut(Sepal.Length, breaks = unlist(group_breaks), labels = c('1', '2', '3', '4'))
  ) %>%
  select(-group_breaks) %>%  # 移除临时生成的断点列
  ungroup()

方法2：合并数据后按行处理

先合并基础数据和断点，再用rowwise()让每行单独生成断点并分箱，解决“断点不唯一”的问题：

library(dplyr)

joined <- left_join(iris, boundaries, by = "Species") %>%
  rowwise() %>%
  mutate(
    bin = cut(Sepal.Length, 
              breaks = c(-Inf, lower, mean, upper, Inf), 
              labels = c('1', '2', '3', '4'))
  ) %>%
  ungroup()

两种方法都能实现按分组自动匹配对应断点完成分箱，无需手动指定每组的断点参数。

内容的提问来源于stack exchange，提问作者Jaken