如何基于加拿大体重分箱区间，高效统计美国人群对应分组数据

背景与现有代码 #

我正在用R做数据分析，现有加拿大人群身高体重数据集，用quantcut函数把体重分成100个分箱，计算了每个分箱的最小体重、最大体重、人数和平均身高，代码如下：

library(dplyr)
library(gtools)
set.seed(123)
canada = data.frame(height =  rnorm(10000,150,10), weight = rnorm(10000,90, 10))

Part_1 = canada %>% 
  mutate(quants = quantcut(weight, 100),
         rank = as.numeric(quants)) %>%
  group_by(quants) %>% 
  mutate(min = min(weight), max = max(weight), count = n(), avg_height = mean(height))

Part_1 = Part_1 %>% distinct(rank, .keep_all = TRUE)

输出的Part_1结构示例：

# A tibble: 100 x 8
# Groups:   quants [100]
   height weight quants         rank   min   max count avg_height
    <dbl>  <dbl> <fct>         <dbl> <dbl> <dbl> <int>      <dbl>
 1   144.  114.  (110.2,113.9]    99 110.  114.    100       150.
 2   148.   88.3 (88.12,88.38]    44  88.1  88.4   100       149.
 3   166.   99.3 (99.1,99.52]     83  99.1  99.5   100       152.
 4   151.   84.3 (84.14,84.44]    29  84.1  84.4   100       150.

另有美国人群数据集：

set.seed(124)
usa = data.frame(height =  rnorm(10000,150,10), weight = rnorm(10000,90, 10))

需求 #

基于加拿大数据得出的体重分箱区间，统计每个区间内美国人群的数量及平均身高。目前我只能手动逐个分箱处理，比如：

americans_in_canadian_rank99 = usa %>% 
  filter(weight > 110.2 & weight < 113.9) %>% 
  group_by() %>% 
  summarize(count = n(), avg_height = mean(height))

americans_in_canadian_rank44 = usa %>% 
  filter(weight > 88.1 & weight < 88.4) %>% 
  group_by() %>% 
  summarize(count = n(), avg_height = mean(height))

期望输出格式：

# 行数等于唯一分箱数
  canadian_rank min_weight max_weight canadian_count canadian_avg_height american_count american_avg_height
1            99      110.2      113.9            100                 150            116                 150
2            44       88.1       88.4            100                 149            154                 150

高效解决方案 #

可以直接利用Part_1中的分箱区间（min和max列），通过cut函数给美国数据的体重分配对应的加拿大分箱rank，再分组统计，最后和加拿大的统计结果合并：

# 提取加拿大分箱的边界，添加极小值避免左边界样本遗漏
breaks = c(min(Part_1$min) - 1e-8, Part_1$max)

# 给美国数据分配对应的加拿大分箱rank并统计
usa_stats = usa %>%
  mutate(rank = cut(weight, breaks = breaks, labels = Part_1$rank, include.lowest = TRUE)) %>%
  group_by(rank) %>%
  summarize(american_count = n(),
            american_avg_height = mean(height, na.rm = TRUE)) %>%
  mutate(rank = as.numeric(rank))

# 合并两国统计结果，得到目标格式
final_result = Part_1 %>%
  select(canadian_rank = rank,
         min_weight = min,
         max_weight = max,
         canadian_count = count,
         canadian_avg_height = avg_height) %>%
  left_join(usa_stats, by = c("canadian_rank" = "rank"))

# 查看结果示例
head(final_result)

关键说明 #

• 用cut函数一次性完成美国体重到加拿大分箱的映射，彻底替代手动写过滤条件的重复工作；
• include.lowest = TRUE确保最小体重的样本被正确归入第一个分箱；
• 给breaks开头添加极小值1e-8，避免第一个分箱左边界的样本被排除；
• 通过left_join自动匹配分箱rank，直接生成符合需求的合并结果。

内容的提问来源于stack exchange，提问作者stats_noob