如何将偏态连续变量划分为极端高低等非均衡类别（R/Excel）

R 实现方法 #

针对严重右偏的变量，别用等距分箱，优先靠分位数定义断点，或者结合对数转换平衡分布后再分箱，下面是两种实用方案：

方案1：自定义分位数断点 #

要分成5类（极端低、低、中等、高、极端高），可以手动指定非均衡的分位数比例，让极端类只覆盖小部分样本：

# 计算自定义分位数断点，probs里的数值可按需调整
breaks <- quantile(emissions$NMVOC_gram, probs = c(0, 0.1, 0.4, 0.6, 0.9, 1))
# 处理可能的重复断点（比如大量0值导致分位数重叠）
breaks <- unique(breaks)
# 执行分箱并设置类别标签
emissions$NMVOC_category <- cut(emissions$NMVOC_gram,
                                breaks = breaks,
                                labels = c("极端低", "低", "中等", "高", "极端高"),
                                include.lowest = TRUE)
# 查看分箱后的样本分布
table(emissions$NMVOC_category)

要是觉得当前的分箱比例不合适，直接修改probs里的数值就行，比如把极端高的阈值设为0.95，让这类只占5%的样本。

方案2：对数转换后分箱 #

先对变量做对数转换（加1避免log(0)报错），平衡分布后再分箱，最后映射回原变量的断点：

# 处理0值，加1后取自然对数
log_nmvoc <- log1p(emissions$NMVOC_gram)
# 计算对数后的分位数断点
log_breaks <- quantile(log_nmvoc, probs = c(0, 0.1, 0.4, 0.6, 0.9, 1))
# 转换回原变量的断点
original_breaks <- expm1(log_breaks)
# 执行分箱
emissions$NMVOC_category <- cut(emissions$NMVOC_gram,
                                breaks = original_breaks,
                                labels = c("极端低", "低", "中等", "高", "极端高"),
                                include.lowest = TRUE)

Excel 实现方法 #

方案1：用PERCENTILE.INC自定义断点 #

1. 先在空白单元格计算分位数断点（假设变量在A列）：
   • 极端低上限：=PERCENTILE.INC(A:A, 0.1)
   • 低上限：=PERCENTILE.INC(A:A, 0.4)
   • 中等上限：=PERCENTILE.INC(A:A, 0.6)
   • 高上限：=PERCENTILE.INC(A:A, 0.9)
   • 极端高上限：=MAX(A:A)
2. 用嵌套IF函数分箱，在B2单元格输入（替换括号里的断点值为你计算出的数值）：

   =IF(A2<=100,"极端低",IF(A2<=400,"低",IF(A2<=700,"中等",IF(A2<=1200,"高","极端高"))))
   

   下拉填充整列即可。

方案2：对数转换后分箱 #

1. 新增一列计算对数转换值：=LN(A2+1)（加1避免0值报错）
2. 对这一列用PERCENTILE.INC计算分位数断点，再用EXP(对数断点值)-1转换回原变量的断点
3. 再用嵌套IF函数按原变量的断点分箱，步骤同方案1。

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