如何在使用ntile()对堆叠数据按类别分5组时排除首尾10%数据并标记为NA

这是个很实用的需求！我们可以通过先界定每个类别需要排除的首尾10%数据范围，再对中间数据单独计算分位数分组的方式实现，同时保留所有原始数据并标记对应分组。下面给你两种不同思路的实现方案，你可以根据实际需求选择：

方案1：基于数值分位数排除首尾10% #

这种方法是通过计算每个类别数值的10%和90%分位数，把落在分位数之外的数据标记为NA，中间区间的数据再分5组：

library(tidyverse)

# 生成示例数据（用pivot_longer替代melt，更符合tidyverse语法）
set.seed(123) # 设置随机种子保证结果可复现
r1 <- rnorm(10, 0, 1)
r2 <- rnorm(10, 2, 4)
df <- cbind(r1, r2) %>% 
  as.data.frame() %>% 
  pivot_longer(cols = everything(), names_to = "Var2", values_to = "value")

# 处理分组
df_processed <- df %>%
  group_by(Var2) %>%
  mutate(
    # 计算每个组的10%和90%分位数（可通过type参数调整分位数计算规则）
    p10 = quantile(value, 0.1, type = 1),
    p90 = quantile(value, 0.9, type = 1),
    # 标记是否属于中间80%的数据
    is_mid = value > p10 & value < p90,
    # 对中间数据计算分位数分组，首尾数据设为NA
    group = case_when(
      !is_mid ~ NA_integer_,
      # 提取中间数据计算ntile，再通过match映射回原数据位置
      TRUE ~ ntile(value[is_mid], 5)[match(value, value[is_mid])]
    )
  ) %>%
  select(-p10, -p90, -is_mid) # 移除临时辅助列

# 查看结果
print(df_processed)

关键逻辑说明： #

• quantile()的type参数可以调整分位数的计算方式（默认是type=7），你可以根据业务需求选择合适的规则
• match(value, value[is_mid])用来保证中间数据的分组结果能正确对应到原数据的位置，避免顺序混乱

方案2：基于数据数量比例排除首尾10% #

如果你的需求是严格排除每个类别中数量占比10%的首尾数据（比如每组10条数据就各排除1条），而不是基于数值分位数，可以用排序后的位置来界定：

df_processed <- df %>%
  group_by(Var2) %>%
  mutate(
    total = n(),
    # 对每个组的数值排序，得到位次
    value_rank = row_number(value),
    # 计算首尾需要排除的数量（用floor取整，也可以用ceiling根据需求调整）
    exclude_bottom = floor(total * 0.1),
    exclude_top = floor(total * 0.1),
    # 分配分组
    group = case_when(
      # 首尾部分标记为NA
      value_rank <= exclude_bottom | value_rank > total - exclude_top ~ NA_integer_,
      # 中间部分计算ntile分组
      TRUE ~ ntile(value[value_rank > exclude_bottom & value_rank <= total - exclude_top], 5)[match(value_rank, value_rank[value_rank > exclude_bottom & value_rank <= total - exclude_top])]
    )
  ) %>%
  select(-total, -value_rank, -exclude_bottom, -exclude_top) # 移除临时列

关键逻辑说明： #

• row_number(value)会对每个组的数值从小到大排序，生成位次
• floor(total*0.1)保证按数量比例排除，比如10条数据排除1条，25条数据排除2条（25*10%=2.5，floor后是2）

两种方案都能满足你的需求，核心都是通过分组计算筛选条件，再结合case_when和ntile实现分组标记，同时保留所有原始数据。

内容的提问来源于stack exchange，提问作者Billsyd