基于累积分布表计算四分位数及均值的R技术问询

核心思路 #

你的数据是预汇总的频率分布表，而非原始个体数据，因此不能直接用quantile()（它默认对原始数据排序计算）。需要基于cdf列（累积概率）匹配对应的分位数点，同时均值可通过加权求和直接计算。

1. 计算四分位数（两种常用方法） #

假设你的原始数据结构包含group、size、prop、cdf列，以下是两种实现方式：

方法1：阶梯式分位数（取第一个满足cdf≥分位数概率的size） #

这种方法适用于离散型累积分布，直接取累积概率首次达到目标分位数对应的size：

library(dplyr)

data %>%
  group_by(group) %>%
  summarize(
    Q1 = size[which(cdf >= 0.25)[1]],
    median = size[which(cdf >= 0.5)[1]],
    Q3 = size[which(cdf >= 0.75)[1]],
    .groups = "drop"
  ) %>%
  mutate(across(where(is.numeric), round, 0))

方法2：线性插值分位数（更精确的连续型估计） #

如果需要更平滑的分位数估计，可对cdf和size做线性插值，找到对应分位数概率的size值：

library(dplyr)
library(purrr)

# 定义单个分组的分位数计算函数
calc_quantiles <- function(cdf_vec, size_vec, probs = c(0.25, 0.5, 0.75)) {
  approx(x = cdf_vec, y = size_vec, xout = probs)$y
}

data %>%
  group_by(group) %>%
  summarize(
    # 先按cdf排序，确保累积顺序正确
    cdf = sort(cdf),
    size = size[order(cdf)],
    # 计算分位数
    quantiles = list(calc_quantiles(cdf, size)),
    # 计算均值
    mean_val = sum(size * prop),
    .groups = "drop"
  ) %>%
  unnest_wider(quantiles, names_sep = "_") %>%
  rename(Q1 = quantiles_1, median = quantiles_2, Q3 = quantiles_3) %>%
  mutate(across(c(Q1, median, Q3, mean_val), round, 0))

2. 计算均值 #

均值是size与对应概率prop的加权和（因为prop是每个size的概率，直接求和即可，无需除以n）：

data %>%
  group_by(group) %>%
  summarize(mean_val = sum(size * prop), .groups = "drop") %>%
  mutate(mean_val = round(mean_val, 0))

针对你更新的数据示例说明 #

如果你的数据已经按cut_cdf（四分位区间）分组，每个区间对应的size可直接作为该分位数区间的代表值，此时四分位数可直接映射：

data %>%
  group_by(group) %>%
  summarize(
    Q1 = size[cut_cdf == "(0,0.25]"],
    median = size[cut_cdf == "(0.25,0.5]"],
    Q3 = size[cut_cdf == "(0.75,1]"],
    .groups = "drop"
  ) %>%
  mutate(across(where(is.numeric), round, 0))

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