如何用dplyr对分组数值变量按动态断点生成分类变量

这个需求很实用，尤其是当你需要根据业务规则（而非组内统计量）给不同分组的数值变量做分箱时，我们可以通过整理断点数据框+连接数据集+动态分箱这几个步骤来实现，下面结合你的例子详细说明：

第一步：构造并处理外部断点数据 #

首先，先把你提供的brk对象转换成标准的R数据框，然后将宽格式的断点列转成长格式，去掉缺失值后按分组整理成有序的断点向量列表：

library(tidyverse)

# 构造你提供的brk数据
brk <- tibble(
  vs = c(0, 0, 1, 1),
  am = c(0, 1, 0, 1),
  breakPoint_1 = c(14.0, 17.0, 19.0, 28.4),
  breakPoint_2 = c(15.0, 19.0, 21.0, NA),
  breakPoint_3 = c(17.0, NA, NA, NA)
)

# 处理断点：转成长格式，清理NA，按组整理成有序向量列表
brk_processed <- brk %>%
  pivot_longer(
    cols = starts_with("breakPoint_"),
    names_to = NULL,  # 不需要保留断点列名
    values_to = "breakpoint"
  ) %>%
  filter(!is.na(breakpoint)) %>%  # 去掉缺失的断点
  arrange(vs, am, breakpoint) %>%  # 确保断点从小到大排序
  group_by(vs, am) %>%
  summarise(breakpoints = list(breakpoint), .groups = "drop")

第二步：连接数据集并动态分箱 #

接下来把处理好的断点和mtcars数据集通过分组键vs和am连接，然后用cut()函数结合分组断点给mpg创建分类变量。这里我们用purrr::map2()来处理每个观测对应的断点，灵活性更强：

# 连接数据并创建分类变量
result <- mtcars %>%
  rownames_to_column("car") %>%  # 可选：保留车型名称方便查看
  mutate(vs = as.integer(vs), am = as.integer(am)) %>%  # 确保分组键类型一致
  left_join(brk_processed, by = c("vs", "am")) %>%  # 按vs和am连接断点
  mutate(
    mpg_category = map2_chr(
      .x = mpg,
      .y = breakpoints,
      .f = function(x, bp) {
        # 生成分箱：自动覆盖所有mpg范围（-Inf到Inf），包含断点最小值
        cut(
          x,
          breaks = c(-Inf, bp, Inf),
          include.lowest = TRUE,
          labels = paste0("Level ", seq_along(c(bp, Inf)))  # 自动生成对应数量的标签
        )
      }
    )
  ) %>%
  ungroup()

# 查看结果示例
result %>% select(car, vs, am, mpg, mpg_category)

自定义标签说明 #

如果你不想用默认的Level 1/2/3这类标签，也可以根据断点数量自定义，比如用case_when()判断断点长度后设置对应的标签：

result_custom <- mtcars %>%
  rownames_to_column("car") %>%
  mutate(vs = as.integer(vs), am = as.integer(am)) %>%
  left_join(brk_processed, by = c("vs", "am")) %>%
  group_by(vs, am) %>%
  mutate(
    mpg_category = case_when(
      length(breakpoints[[1]]) == 3 ~ cut(
        mpg,
        breaks = c(-Inf, breakpoints[[1]], Inf),
        labels = c("极低油耗", "低油耗", "中油耗", "高油耗"),
        include.lowest = TRUE
      ),
      length(breakpoints[[1]]) == 2 ~ cut(
        mpg,
        breaks = c(-Inf, breakpoints[[1]], Inf),
        labels = c("低油耗", "中油耗", "高油耗"),
        include.lowest = TRUE
      ),
      length(breakpoints[[1]]) == 1 ~ cut(
        mpg,
        breaks = c(-Inf, breakpoints[[1]], Inf),
        labels = c("低油耗", "高油耗"),
        include.lowest = TRUE
      )
    )
  ) %>%
  ungroup()

这样就能完美实现基于外部分组断点的动态分箱需求啦！

内容的提问来源于stack exchange，提问作者Dra