将数值变量分类为组/箱/分段。

Question

我想把一个数值变量（年龄）按照一定的区间划分为不连续的组别。我有下面这段代码：

data$agegrp(data$age >= 40 & data$age <= 49) <- 3
data$agegrp(data$age >= 30 & data$age <= 39) <- 2
data$agegrp(data$age >= 20 & data$age <= 29) <- 1

上述代码在survival包下无法运行。它给出了以下错误：

invalid function in complex assignment

能否指出错误在哪里？data是我正在使用的数据框。

- leian

---

使用 [ 进行子集选取，而不是使用 (。 - Roland

您需要使用的函数是 cut。 - joran

@joan，你能演示一下如何使用cut命令吗？ - leian

答案取决于你想要什么结果？a）只是一个整数（或NA）b）因子标签或实际上c）二分/虚拟变量的数组？findInterval()只能做第一个，而cut()两者都可以。findInterval()更快（O(log(no. of bins))），尽管这很少是问题。 - smci

Answer 1

我会在这里使用findInterval()：

首先，准备一些示例数据

set.seed(1)
ages <- floor(runif(20, min = 20, max = 50))
ages
# [1] 27 31 37 47 26 46 48 39 38 21 26 25 40 31 43 34 41 49 31 43

使用findInterval()对你的“ages”向量进行分类。

findInterval(ages, c(20, 30, 40))
# [1] 1 2 2 3 1 3 3 2 2 1 1 1 3 2 3 2 3 3 2 3

另外，如评论中所建议，cut()在这里也很有用：

cut(ages, breaks=c(20, 30, 40, 50), right = FALSE)
cut(ages, breaks=c(20, 30, 40, 50), right = FALSE, labels = FALSE)

- A5C1D2H2I1M1N2O1R2T1

---

@leian，你试过这段代码了吗？它应该是可以的。但是，在这里提问时最好包含一个最小化的可重现示例，以获取更有针对性的帮助。[https://dev59.com/eG025IYBdhLWcg3whGSx] - A5C1D2H2I1M1N2O1R2T1

但是这个findInterval()的结果变量名将会是什么？ - leian

你想要它成为什么，就让它成为什么！从你的例子中，我会做类似于 data$agegrp <- findInterval(data$age, c(20, 30, 40)) 的操作。 - A5C1D2H2I1M1N2O1R2T1

Answer 2

我们可以使用 dplyr：

library(dplyr)

data <- data %>% mutate(agegroup = case_when(age >= 40  & age <= 49 ~ '3',
                                             age >= 30  & age <= 39 ~ '2',
                                             age >= 20  & age <= 29 ~ '1')) # end function

与其他方法相比，dplyr 更易于编写和解释。

- TYL

---

你也可以在 mutate 中使用 cut，而不是 case_when。例如：data %>% mutate(agegroup = cut(ages, breaks = c(20, 30, 40, 50), right = T, labels = F)) - stlba

@stlba 这是一个非常好的答案，非常感谢。labels=TRUE甚至会给出合理的标签。 - Ian

Answer 3

本答案提供了两种使用 data.table 包解决问题的方法，这将极大地提高处理速度。如果处理大型数据集，则这一点至关重要。

第一种方法：对之前答案的改编，现在使用data.table + 包括labels：

library(data.table)

agebreaks <- c(0,1,5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,500)
agelabels <- c("0-1","1-4","5-9","10-14","15-19","20-24","25-29","30-34",
               "35-39","40-44","45-49","50-54","55-59","60-64","65-69",
               "70-74","75-79","80-84","85+")

setDT(data)[ , agegroups := cut(age, 
                                breaks = agebreaks, 
                                right = FALSE, 
                                labels = agelabels)]

第二种方法：这是一种更为冗长的方法，但它也更清晰地说明了每个年龄组包含哪些内容：

setDT(data)[age <1, agegroup := "0-1"]
data[age >0 & age <5, agegroup := "1-4"]
data[age >4 & age <10, agegroup := "5-9"]
data[age >9 & age <15, agegroup := "10-14"]
data[age >14 & age <20, agegroup := "15-19"]
data[age >19 & age <25, agegroup := "20-24"]
data[age >24 & age <30, agegroup := "25-29"]
data[age >29 & age <35, agegroup := "30-34"]
data[age >34 & age <40, agegroup := "35-39"]
data[age >39 & age <45, agegroup := "40-44"]
data[age >44 & age <50, agegroup := "45-49"]
data[age >49 & age <55, agegroup := "50-54"]
data[age >54 & age <60, agegroup := "55-59"]
data[age >59 & age <65, agegroup := "60-64"]
data[age >64 & age <70, agegroup := "65-69"]
data[age >69 & age <75, agegroup := "70-74"]
data[age >74 & age <80, agegroup := "75-79"]
data[age >79 & age <85, agegroup := "80-84"]
data[age >84, agegroup := "85+"]

虽然这两种方法应该得到相同的结果，但我更喜欢第一种方法，有两个原因。(a)它更短，(2) 年龄组以正确的方式排序，在可视化数据时是至关重要的。

- rafa.pereira

---

第二种方法似乎在R 3.2中无法工作。它会出现错误，找不到函数“：=”。 - Akshay Hazari

对我来说很有效。确保加载 data.table 库 library(data.table)；并且你正在使用 data.table（而不是数据框）setDT(your_dataframe) # 将你的 DF 转换为 data.table。 - rafa.pereira

Answer 4

假设你的年龄数据存储在名为 age 的数据框列中。你的数据框是 df，你想要一个新的列 age_grouping 来包含您年龄所属的“组”。

在这个例子中，假设你的年龄范围从0到100岁，你想按照每10年分组。以下代码将通过将这些区间存储在新的age grouping列中来实现：

df$age_grouping <- cut(df$age, seq(0, 100, 10))

- Marquistador