R语言：如何基于密度分布对数据进行子集化？

要提取密度高于指定阈值（比如y=0.1）的数据值，核心是给每个原始数据点匹配对应的密度值，具体步骤如下：

1. 计算数据的密度分布，得到密度曲线的横纵坐标（数据值和对应密度）
2. 创建插值函数，实现数据值到密度值的映射
3. 为每个原始数据点计算密度值，再筛选符合条件的数据

结合你的示例代码，完整实现如下：

# 生成示例数据
data <- rnorm(10000)

# 计算密度分布
dens <- density(data)

# 创建插值函数，用于根据数据值获取对应的密度值
dens_fun <- approxfun(dens$x, dens$y)

# 为每个数据点计算对应的密度值
data_dens <- dens_fun(data)

# 筛选密度高于0.1的数据
filtered_data <- data[data_dens > 0.1]

# 可视化验证：灰色是原始数据密度，红色是筛选后的数据密度
ggplot() +
  geom_density(aes(data), color = "gray") +
  geom_density(aes(filtered_data), color = "red") +
  geom_hline(yintercept = 0.1, linetype = "dashed")

关键说明 #

• density(data)返回的$x是密度曲线覆盖的所有数据值点，$y是对应位置的密度值，两者一一对应但和原始数据点不直接匹配
• approxfun()生成的插值函数可以对任意数据值（包括原始数据的每个点）估算出对应的密度值，解决了原始数据和密度值不匹配的问题
• 最后通过常规的子集化操作，就能筛选出密度高于阈值的数据

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