R语言如何将向量划分为观测数近似相等的组并获取分界点

报错原因 #

breaks are not unique报错的核心原因是数据存在大量重复取值，计算分位数时多个分位点对应相同的数值，生成了重复的分割断点，而cut类函数要求断点必须是单调唯一的。

解决方案 #

你可以根据需求选择以下任意一种方案：

方案1：基础包实现，无需额外安装依赖 #

手动生成初始分位数断点后去重，允许最终分箱数略小于目标分组数，代码示例如下：

# 构造带重复值的测试数据，替换为你自己的变量
test_vec <- c(rep(1,5), rep(3,7), rep(5,4), rep(8,6), 10, 12, 15, rep(20,3))
# 定义目标分组数
n_group <- 3

# 生成初始分位数断点
raw_breaks <- quantile(test_vec, probs = seq(0, 1, length.out = n_group + 1), na.rm = TRUE)
# 去重得到有效唯一断点
unique_breaks <- unique(raw_breaks)

# 分箱操作，include.lowest = TRUE保证最小值被划入第一组
test_class <- cut(test_vec, breaks = unique_breaks, include.lowest = TRUE)

# 查看各组样本量分布
table(test_class)
# 输出分界点，可直接保存用于后续新数据分箱
print(unique_breaks)

方案2：使用Hmisc包的cut2函数，自动处理重复值 #

cut2是专门用于等频分箱的工具，内置重复断点处理逻辑，不需要手动调整，代码示例如下：

# 未安装包先运行install.packages("Hmisc")
library(Hmisc)

test_vec <- c(rep(1,5), rep(3,7), rep(5,4), rep(8,6), 10, 12, 15, rep(20,3))
n_group <- 3

# g参数指定目标分组数，自动处理重复值
test_class2 <- cut2(test_vec, g = n_group)

# 查看分组样本量
table(test_class2)
# 提取分界点
breaks2 <- attr(test_class2, "breaks")
print(breaks2)

方案3：严格固定分组数的实现逻辑 #

如果要求最终分组数必须严格等于目标值，允许少量组样本量差异略大，可以使用排序后按位置取断点的逻辑：

test_vec <- c(rep(1,5), rep(3,7), rep(5,4), rep(8,6), 10, 12, 15, rep(20,3))
n_group <- 3

# 对变量排序
sorted_vec <- sort(test_vec)
# 按分组数计算取断点的位置
target_pos <- round(seq(1, length(sorted_vec), length.out = n_group + 1))
# 提取断点并去重
manual_breaks <- unique(sorted_vec[target_pos])

# 分箱
test_class3 <- cut(test_vec, breaks = manual_breaks, include.lowest = TRUE)
table(test_class3)

注意事项 #

• 若单个重复取值的样本占比超过1/目标分组数，无法实现完全等频分箱，上述方案会自动将全部重复值划入同一组，分组样本量会尽可能接近均等
• 提取到的分界点用于新数据分箱时，需要和原分箱逻辑保持一致，加上include.lowest = TRUE参数

内容的提问来源于stack exchange，提问作者Kaisar