基于对照组分位数范围，自动为全数据集创建分类变量

问题背景 #

我有包含Case_Control和Age字段的数据集，需要基于Case_Control=0的对照组观测值计算Age的分位数范围，为全数据集的Age生成对应的分类变量。目前已实现手动处理流程，但因需适配多数据集及多变量，寻求自动化实现方案。

附手动实现的测试数据与R代码：

# 测试数据集
Case_Control <- c(0,1,0,0,1,0,1,1,0,1,0,1,1,0,1,0,0,1,1,0)
Age <- c(25,36,45,12,24,27,38,55,82,21,34,56,69,78,25,16,17,54,59,28)
test <- as.data.frame(cbind(Case_Control, Age))

# 提取对照组并计算分位数
controls <- test %>%
  dplyr::filter(Case_Control == 0)
summary(controls$Age)

# 手动记录分位数：Q1=19, Q2=27.5, Q3=42.25
test <- test %>%
  mutate(age_group = case_when(
    Age <= 19 ~ 1,
    Age >= 19 & Age <= 27.5 ~ 2,
    Age >= 27.5 & Age <= 42.25 ~ 3,
    Age >= 42.25 ~ 4
  )) 

自动化解决方案 #

核心思路 #

1. 提取对照组数据，自动计算指定分位数（默认四分位数）
2. 以分位数为切割点，对全数据集的目标变量进行分组
3. 封装成可复用函数，支持多数据集、多变量批量处理

函数实现 #

library(dplyr)

# 自动化分组函数
group_by_control_quantile <- function(data, group_var, target_vars, control_value = 0, probs = c(0, 0.25, 0.5, 0.75, 1)) {
  # 筛选对照组数据
  control_data <- data %>% filter({{group_var}} == control_value)
  
  # 批量处理每个目标变量
  for (var in target_vars) {
    # 计算分位数并去重，避免区间重叠
    quantile_breaks <- unique(quantile(control_data[[var]], probs = probs, na.rm = TRUE))
    # 生成分组标签
    group_labels <- 1:(length(quantile_breaks) - 1)
    # 为原数据集添加分组变量
    data <- data %>%
      mutate(!!paste0(var, "_group") := cut(
        {{var}},
        breaks = quantile_breaks,
        labels = group_labels,
        include.lowest = TRUE,
        right = FALSE
      ))
  }
  
  return(data)
}

使用示例 #

# 准备测试数据（注意转换变量类型）
Case_Control <- c(0,1,0,0,1,0,1,1,0,1,0,1,1,0,1,0,0,1,1,0)
Age <- c(25,36,45,12,24,27,38,55,82,21,34,56,69,78,25,16,17,54,59,28)
test <- as.data.frame(cbind(Case_Control, Age))
test$Case_Control <- as.integer(test$Case_Control)
test$Age <- as.numeric(test$Age)

# 对Age变量进行分组
test_grouped <- group_by_control_quantile(test, group_var = Case_Control, target_vars = "Age")

# 查看结果
print(test_grouped)

参数说明 #

• data: 输入的数据集
• group_var: 分组变量（如示例中的Case_Control）
• target_vars: 需要生成分组的变量向量，支持多变量（比如c("Age", "BMI")）
• control_value: 对照组的取值（默认0，可根据实际调整）
• probs: 分位数的概率值，默认是四分位数，可自定义（比如c(0, 0.3, 0.6, 1)生成三等分区间）

方案优势 #

• 完全自动化分位数计算与分组，避免手动复制数值的误差
• 支持多变量批量处理，一次完成多个变量的分组操作
• 灵活调整分位数区间，适配不同研究需求
• 自动处理重复分位数，避免区间重叠导致的分组错误

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