如何为任意数值序列生成分布均衡且规整美观的区间分割阈值？

我需要实现一个结合pretty美观性与quantile分布均衡性的函数，目标如下：

• 为任意数值序列生成指定数量的区间阈值，可直接用于cut函数
• 阈值必须是规整美观的数值：即1、2、2.5、5乘以10的幂次的倍数（与pretty函数的规整定义一致）
• 保证区间内的数据分布相对均衡，避免因极端值导致多数区间无数据的情况

现有方法的局限性 #

1. pretty函数：美观但分布失衡 #

当数据存在极端值时，pretty生成的等距阈值会导致区间分布极不均衡：

set.seed(14112023)
x <- runif(200, 0, 100)
y <- c(x, 10000)
pretty(y, 5L)
# [1]     0  2000  4000  6000  8000 10000

上述结果中，前4个区间几乎没有数据，所有样本集中在最后一个区间。

2. quantile函数：分布均衡但数值不规整 #

quantile能生成分布均衡的阈值，但数值不够规整，不符合美观要求：

round(quantile(y, seq(0, 1, length.out = 5)), 2)
#       0%      25%      50%      75%     100% 
#     0.61    32.61    58.47    79.91 10000.00 

自定义解决方案：pretty_quantile函数 #

以下函数先以分位数为参考基准，为每个分位数匹配最近的规整数值，同时保证阈值的单调性和覆盖数据全范围：

pretty_quantile <- function(x, n = 5L) {
  # 获取分位数参考值
  q_vals <- quantile(x, seq(0, 1, length.out = n))
  # 为每个分位数生成附近的规整候选值
  pretty_candidates <- lapply(q_vals, function(q) {
    if (q == 0) return(0)
    # 计算数量级
    exp10 <- floor(log10(q))
    # 生成规整基数
    bases <- c(1, 2, 2.5, 5) * 10^exp10
    # 扩展候选范围，避免边界问题
    bases <- c(bases / 10, bases, bases * 10)
    # 去重并排序
    unique(sort(bases))
  })
  
  # 选择最优规整阈值：从候选中选最接近分位数且保证单调的数值
  res <- numeric(n)
  res[1] <- min(pretty_candidates[[1]])  # 最小值取最小候选
  for (i in 2:n) {
    # 筛选大于前一个阈值的候选，选最接近当前分位数的
    valid_candidates <- pretty_candidates[[i]][pretty_candidates[[i]] > res[i-1]]
    if (length(valid_candidates) == 0) {
      # 若没有更大的候选，取当前候选的最大值
      res[i] <- max(pretty_candidates[[i]])
    } else {
      res[i] <- valid_candidates[which.min(abs(valid_candidates - q_vals[i]))]
    }
  }
  
  # 确保最后一个阈值不小于数据最大值
  if (res[n] < max(x)) {
    res[n] <- max(c(res[n], pretty(max(x), n=1)[1]))
  }
  
  unique(res)
}

测试示例 #

用之前的测试数据验证：

set.seed(14112023)
x <- runif(200, 0, 100)
y <- c(x, 10000)

# 生成5个区间的规整阈值
pretty_quantile(y, 5L)
# [1]     0    25    50    75 10000

用cut函数分割数据，查看区间分布：

cuts <- cut(y, breaks = pretty_quantile(y, 5L), include.lowest = TRUE)
table(cuts)
# cuts
#   [0,25]  (25,50]  (50,75]  (75,10000] 
#       51       49       48        52 

可以看到，区间分布相对均衡，同时阈值都是规整的数值。

扩展说明 #

• 函数支持调整n参数指定区间数量
• 针对极端值场景，最后一个阈值会自动适配数据最大值
• 规整数值的逻辑与pretty函数完全一致，保证美观性

内容的提问来源于stack exchange，提问作者thothal