寻找R语言中ntile()的等区间划分等价实现方案

刚好碰到过类似的需求！你要的是分组数据里的等区间宽度分箱，和ntile()那种按样本数量均分的逻辑完全不是一回事。虽然base R的cut()能实现，但确实写法可以更清爽，下面给你几个实用的方案：

方案1：把你的逻辑封装成易用的自定义函数 #

你最初处理向量的思路完全没问题，把它封装成函数后，就能直接在dplyr的分组管道里用，非常顺手：

library(dplyr)
library(purrr)
set.seed(1234)

# 定义等宽分箱函数，直接返回分箱序号
equi_width_bin <- function(x, bins = 4) {
  bin_size <- (max(x) - min(x)) / bins
  bin_limits <- min(x) + bin_size * 1:bins
  map_dbl(x, ~ min(which(.x <= bin_limits)))
}

# 测试分组场景
df <- data.frame(
  grouping = sample(1:2, 20, replace = TRUE),
  val = sample(1:100, 20)
)

# 分组后调用自定义函数
df_equi_bin <- df %>% 
  group_by(grouping) %>% 
  mutate(equi_bin = equi_width_bin(val, bins = 4)) %>% 
  ungroup()

df_equi_bin

这个函数完全复用了你最初的逻辑，封装后在管道里调用就跟用ntile()一样方便。

方案2：简化版cut()写法，不用自定义函数 #

其实你觉得cut()写法麻烦，是因为没用到它的简化参数！配合as.integer()就能直接得到分箱序号，非常简洁：

df_equi_bin_cut <- df %>% 
  group_by(grouping) %>% 
  mutate(equi_bin = as.integer(cut(val, breaks = 4, include.lowest = TRUE))) %>% 
  ungroup()

这里breaks = 4会自动帮你计算等宽的区间，include.lowest = TRUE确保最小值不会被排除在第一个区间外，as.integer()把cut返回的区间因子直接转成1到4的序号，是不是比你想的简单多了？

方案3：用ggplot2的cut_width（如果已经加载了ggplot2） #

如果你刚好在用ggplot2，它的cut_width()是专门做等宽分箱的工具，同样可以转成分箱序号：

library(ggplot2)

df_equi_bin_ggplot <- df %>% 
  group_by(grouping) %>% 
  mutate(equi_bin = as.integer(cut_width(val, width = (max(val)-min(val))/4))) %>% 
  ungroup()

不过这个需要手动计算宽度，相比简化版的cut()，其实没那么省事，所以更推荐前两个方案。

关于内置函数的小遗憾 #

说实话，R base或者dplyr核心包里目前还没有像ntile()那样直接的等宽分箱内置函数，所以最简洁高效的方式要么是封装自己的小函数，要么就是用简化版的cut()。后者写法已经非常简洁，而且性能也不错，日常用完全足够。

内容的提问来源于stack exchange，提问作者Robert Hickman