R语言：数据框列离散化并替换为区间均值的方法求助

我来给你分享几个能实现等频离散化并回填区间均值的实用方法，解决你之前用arules::discretize没法直接替换均值的问题~

方法1：用dplyr的ntile分组计算均值 #

dplyr的ntile()函数可以直接把数据分成指定数量的等频组，然后我们可以按组计算均值，再替换原列的值：

library(dplyr)

# 假设你的数据框是df，要对b列做3组等频离散化
df <- df %>%
  mutate(b_bin = ntile(b, n = 3),  # 分成3个等频组
         b = ave(b, b_bin, FUN = mean)) %>%  # 用组均值替换原b列
  select(-b_bin)  # 删掉临时的分组列

这个方法代码简洁，ntile会自动处理分组逻辑，保证每组的实例数尽可能接近（当总数量不能被组数整除时，前几组会多1个样本）。

方法2：用data.table高效处理（适合大数据） #

如果你的数据量很大，data.table的分组操作效率更高，一行代码就能实现等频分箱+均值回填：

library(data.table)

setDT(df)  # 把普通数据框转成data.table格式
df[, b := mean(b), by = .(ntile(b, 3))]  # 按3个等频组分组，用组均值替换b列

它的处理速度比dplyr更快，很适合百万级以上的大数据场景。

方法3：手动分箱（无需额外依赖） #

要是你不想加载第三方包，可以手动计算分位数，用基础函数完成操作：

# 计算3个等频分位数（分成4个点，对应3个区间）
quantiles <- quantile(df$b, probs = seq(0, 1, length.out = 4))
# 给每个值分配对应的组
groups <- findInterval(df$b, quantiles, rightmost.closed = TRUE)
# 用组均值替换原b列
df$b <- ave(df$b, groups, FUN = mean)

这里seq(0,1,length.out=4)是因为要分成3组，需要4个分位点（0%、33.3%、66.6%、100%），findInterval会把每个值映射到对应的组里，最后用ave计算每组的均值。

验证效果 #

用你提到的iris$Petal.Length测试8组等频分箱的话，用dplyr的方法可以快速验证分组数量：

iris_test <- iris %>%
  mutate(Petal.Length_bin = ntile(Petal.Length, 8),
         Petal.Length = ave(Petal.Length, Petal.Length_bin, FUN = mean))
# 查看每组的样本数量
table(iris_test$Petal.Length_bin)

会得到每组数量接近的结果（150/8=18.75，所以前6组19个，后2组18个），完全符合等频分箱的要求。

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