如何在R中高效找出按列存储分箱数据的中位数分箱？

问题场景 #

处理人口普查数据时，每行对应一个地理单元（如州、县），列代表落入不同收入分箱的家庭户数。需要为每个地理单元找出中位数收入分箱，但手动计算多列累积和再逐一判断的方法过于繁琐，常规的分组统计方案也不适用。

优化解决方案 #

利用矩阵操作和向量化函数，无需手动定义每一列的累积和与判断条件，可轻松适配任意数量的分箱：

library(dplyr)
library(matrixStats)

# 生成可复现的示例数据
set.seed(123)
geoid <- seq(100)
df_example <- data.frame(
  geoid = geoid,
  inc1 = sample(0:200, 100),
  inc2 = sample(0:200, 100),
  inc3 = sample(0:200, 100),
  inc4 = sample(0:200, 100),
  inc5 = sample(0:200, 100)
)

# 计算每个地理单元的总户数
df_example <- df_example %>%
  mutate(total = rowSums(select(., starts_with("inc"))))

# 提取收入分箱列并计算行累积和
inc_matrix <- df_example %>% select(starts_with("inc")) %>% as.matrix()
row_cumsums <- rowCumsums(inc_matrix)

# 定位中位数所在分箱：首个累积和超过总户数一半的分箱
median_bin_idx <- apply(row_cumsums > df_example$total/2, 1, which.max)
df_example$median_inc_bin <- colnames(inc_matrix)[median_bin_idx]

方案优势 #

1. 可扩展性：不管是5个还是16个收入分箱，无需修改核心逻辑，自动适配所有分箱列
2. 代码简洁：避免手动编写大量累积和列与case_when判断条件，减少重复工作
3. 效率更高：向量化操作比逐行手动计算更高效，尤其适合大规模数据集

原方法对比 #

原方案需要手动定义每个分箱的累积和列（如inc1_cumsum、inc2_cumsum），并在case_when中逐一添加判断条件，当分箱数增加到16时，代码会极度冗余且易出错。优化后的方案通过矩阵和向量化函数彻底解决了这个问题。

内容的提问来源于stack exchange，提问作者Lee Hachadoorian