R语言：用aggregate()替代嵌套for()循环配合cut()实现分组分箱标记

问题描述 #

我希望将带有多个属性标记的数据划分至分位数区间，且分位数仅对具备对应属性的数据生效。目前通过嵌套for()循环已实现双属性分组的分箱功能，代码如下（已修正原代码的语法错误）：

df <- data.frame(
  type1 = rep(c('A','B'), each=50),
  type2 = rep(c('D','E','F','G'), each=25),
  f1 = rnorm(100, mean=0.0, sd=1.0),
  f2 = rnorm(100, mean=0.0, sd=1.0)
)

summary(df)

id_breaks <- c(-2.0,-1.0,0,1.0,2.0)

q_df <- NULL

for (t1 in unique(df$type1)) {
  for (t2 in unique(df$type2)) {
    df_sub <- df[df$type1 == t1 & df$type2 == t2,]
    this_q_df <- within(df_sub, f1_quart <- cut(f1, id_breaks, include.lowest=FALSE, labels=FALSE))
    
    print(paste("t1", t1, "t2", t2))
    print(head(this_q_df))
    
    # 修正原代码：将rbind结果赋值回q_df
    q_df <- rbind(q_df, this_q_df)
  }
}

请问是否可以通过aggregate(df$f1~t1+t2,...)的方式实现该功能？

解决方案 #

可以用aggregate结合自定义函数实现 #

aggregate支持按多分组变量处理数据，但要保留原数据的所有行，结合ave函数会比直接用aggregate后合并更高效：

1. 先定义分箱的自定义函数：

bin_func <- function(x, breaks) {
  cut(x, breaks, include.lowest=FALSE, labels=FALSE)
}

2. 用ave按type1和type2分组，对每个f1值应用分箱函数，直接在原数据中生成分箱列：

df$f1_quart <- ave(df$f1, df$type1, df$type2, FUN=function(x) bin_func(x, id_breaks))

如果一定要用aggregate，可以先生成分组的分箱结果，再合并回原数据，步骤稍繁琐：

# 生成每组的分箱结果（每组对应一个向量）
bin_groups <- aggregate(f1 ~ type1 + type2, data=df, FUN=function(x) bin_func(x, id_breaks))

# 展开分组结果并与原数据合并
df <- merge(df, bin_groups, by=c("type1", "type2"))
names(df)[names(df) == "f1.y"] <- "f1_quart"
df <- df[, c("type1", "type2", "f1.x", "f2", "f1_quart")]
names(df)[names(df) == "f1.x"] <- "f1"

更简洁的tidyverse实现（可选） #

如果使用dplyr包，代码会更直观易读：

library(dplyr)

df <- df %>%
  group_by(type1, type2) %>%
  mutate(f1_quart = cut(f1, id_breaks, include.lowest=FALSE, labels=FALSE)) %>%
  ungroup()

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