在R语言中按最大数值差10分组大数据集并统计数量与均值

需要编写R脚本，将数据框中cat1列的数值按组内所有值的差值小于10的规则分组，同时统计每组的数值数量和均值。注意不能直接按固定10区间分箱，需关注值之间的实际接近程度。

示例数据 #

cat1 = c(85, 60, 60, 55, 55, 15, 0, 35, 35 )
cat2 = c("a","a","a","a","a","a","a","a","a")
df <- data.frame(cat1, cat2)

数据框内容：

cat1 cat2
1 85 a
2 60 a
3 60 a
4 55 a
5 55 a
6 15 a
7 0 a
8 35 a
9 35 a

期望输出 #

numValues cat1avg 
      1    85
      4    57.5
      1    15
      1     0
      2    35

解决方案：基于排序的贪心分组算法 #

核心思路是先对数值排序，再用贪心策略逐个将值加入当前组——若加入后组内最大值与最小值的差值超过10，则新建组。该方法效率高，适合批量处理大量小数据框。

完整代码 #

# 加载dplyr用于数据统计（若未安装先运行install.packages("dplyr")）
library(dplyr)

# 定义分组函数：按值的接近程度分组，组内最大差值不超过max_diff
group_by_proximity <- function(x, max_diff = 10) {
  if (length(x) == 0) return(integer(0))
  
  # 对数值排序并记录原始索引
  sorted_x <- sort(x)
  sorted_idx <- order(x)
  
  # 初始化分组向量
  groups <- integer(length(x))
  current_group <- 1
  groups[sorted_idx[1]] <- current_group
  current_min <- sorted_x[1]
  current_max <- sorted_x[1]
  
  # 遍历排序后的数值，分配分组
  for (i in 2:length(sorted_x)) {
    val <- sorted_x[i]
    # 检查当前值是否能加入现有组
    if (val - current_min <= max_diff && current_max - val <= max_diff) {
      groups[sorted_idx[i]] <- current_group
      # 更新组的最小/最大值
      current_min <- min(current_min, val)
      current_max <- max(current_max, val)
    } else {
      # 新建分组
      current_group <- current_group + 1
      groups[sorted_idx[i]] <- current_group
      current_min <- val
      current_max <- val
    }
  }
  return(groups)
}

# 1. 为数据框添加分组列
df$group <- group_by_proximity(df$cat1)

# 2. 统计每组的数量和均值
result <- df %>%
  group_by(group) %>%
  summarise(
    numValues = n(),
    cat1avg = mean(cat1)
  ) %>%
  select(-group) # 移除分组编号列

# 查看结果
print(result)

代码说明 #

• group_by_proximity函数：接收数值向量和最大允许差值，返回每个元素对应的分组编号。通过排序+贪心遍历，确保每组内的所有值差值都不超过设定的阈值。
• 批量处理：若需处理1000多个小数据框，可将上述流程封装为函数，结合循环批量执行，例如：

  # 批量处理函数
  process_df <- function(small_df) {
    small_df$group <- group_by_proximity(small_df$cat1)
    small_df %>%
      group_by(group) %>%
      summarise(numValues = n(), cat1avg = mean(cat1)) %>%
      select(-group)
  }
  
  # 假设df_list是包含所有小数据框的列表，批量处理
  results_list <- lapply(df_list, process_df)
  

与固定区间分箱的区别 #

固定区间分箱（如cut函数）是按预设区间划分，而本方法是基于数值的实际分布动态分组：例如55和60差值为5，会被分到同一组；若后续加入61（与60差值1），仍会留在该组，直到加入某个值导致组内范围超过10时才新建组。

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