在R语言中按指定窗口长度分布将数值范围划分为区间的方法咨询

基础逻辑 #

你给定的lens <- c(100, 100, 100, 50, 20)的经验分布为：长度100占比60%、50占比20%、20占比20%，我们只需要让最终生成的窗口长度的频率尽可能贴合该占比，同时保证窗口连续无重叠、覆盖1-20000的全部区间即可，以下是两种可落地的实现方案：

方案1：随机采样+末尾校准（实现最简单） #

• 操作步骤：
  1. 从lens向量中有放回随机采样窗口长度，直到所有采样长度的总和超过20000
  2. 调整最后一个窗口的长度，让所有窗口总长度刚好等于20000，避免超出区间
• R代码示例：

# 初始化参数
total_length <- 20000
lens <- c(100, 100, 100, 50, 20)

# 固定随机种子保证结果可复现
set.seed(123)
window_lens <- c()
while(sum(window_lens) < total_length) {
  window_lens <- c(window_lens, sample(lens, size = 1))
}
# 校准最后一个窗口长度，避免超出总区间
window_lens[length(window_lens)] <- window_lens[length(window_lens)] - (sum(window_lens) - total_length)

# 生成每个窗口的起止点
window_df <- data.frame(
  start = c(1, cumsum(window_lens)[-length(window_lens)] + 1),
  end = cumsum(window_lens)
)

• 优劣势：总长度越大，最后一个窗口的校准对整体分布的影响越小，20000的长度下几乎可以忽略分布偏差；仅可能出现1个不符合原长度取值的窗口，适合对分布要求不是绝对严格的场景。

方案2：次数求解+随机排序（完全匹配原长度取值） #

如果要求所有窗口的长度必须是20/50/100三个值，不能有校准后的特殊长度，可以用整数约束求解各长度的出现次数：

约束公式：20x1 + 50x2 + 100*x3 = 20000，且x1/(x1+x2+x3)≈0.2、x2/(x1+x2+x3)≈0.2、x3/(x1+x2+x3)≈0.6（x1/x2/x3分别为长度20/50/100的出现次数）

• 操作步骤：
  1. 求解满足上述约束的正整数解，比如x1=50、x2=40、x3=170，总长度刚好为20000，对应占比为19.2%、15.4%、65.4%，和原分布偏差极小，也可以调整参数得到更贴合的解
  2. 按求解的次数生成所有窗口长度的向量，打乱顺序后拼接即可得到连续窗口
• R代码示例：

# 按求解的次数生成长度向量
window_lens <- rep(c(20,50,100), c(50,40,170))
# 打乱顺序，避免长度聚集
window_lens <- sample(window_lens)

# 生成窗口起止点
window_df <- data.frame(
  start = c(1, cumsum(window_lens)[-length(window_lens)] + 1),
  end = cumsum(window_lens)
)

• 优劣势：所有窗口长度都符合原取值要求，分布偏差可控；需要先求解次数，适合对窗口长度有严格要求的场景。

内容的提问来源于stack exchange，提问作者Rachel Rap