我正在尝试将一个连续变量离散化,将其分为三个级别。我想对正连续变量(在本例中是收入)的对数做同样的处理。
require(dplyr)
set.seed(3)
mydata = data.frame(realinc = rexp(10000))
summary(mydata)
new = mydata %>%
select(realinc) %>%
mutate(logrealinc = log(realinc),
realincTercile = cut(realinc, 3),
logrealincTercile = cut(logrealinc, 3),
realincTercileNum = as.numeric(realincTercile),
logrealincTercileNum = as.numeric(logrealincTercile))
new[sample(1:nrow(new), 10),]
我本以为使用cut()
函数可以使得这两个变量(收入和对数收入)的离散化因子产生相同的水平,因为对数是单调函数。因此,右侧的两列应该是相等的,但事实并非如此。发生了什么事情呢?
> new[sample(1:nrow(new), 10),]
realinc logrealinc realincTercile logrealincTercile realincTercileNum logrealincTercileNum
7931 0.2967813 -1.21475972 (-0.00805,2.83] (-4.43,-1.15] 1 2
9036 0.9511824 -0.05004944 (-0.00805,2.83] (-1.15,2.15] 1 3
8204 4.5365676 1.51217069 (2.83,5.66] (-1.15,2.15] 2 3
3136 2.0610693 0.72322490 (-0.00805,2.83] (-1.15,2.15] 1 3
9708 0.9655805 -0.03502581 (-0.00805,2.83] (-1.15,2.15] 1 3
5942 0.9149351 -0.08890215 (-0.00805,2.83] (-1.15,2.15] 1 3
4631 0.6987581 -0.35845064 (-0.00805,2.83] (-1.15,2.15] 1 3
7309 1.9532566 0.66949804 (-0.00805,2.83] (-1.15,2.15] 1 3
7708 0.4220254 -0.86268973 (-0.00805,2.83] (-1.15,2.15] 1 3
2965 1.3690976 0.31415186 (-0.00805,2.83] (-1.15,2.15] 1 3
编辑:@nicola的评论解释了问题的来源。看起来在cut
的文档中,“等间隔”指的是连续参数空间中间隔的长度。我最初的解释是指每个切割(输出)中分配给每个切割的元素数量相等(而不是输入)。
是否有一个函数可以做到我描述的那样?--其中每个输出级别中的元素数量是相等的?同样,newfunc(realinc)
和newfunc(logrealinc)
的级别相等吗?
x
在1到5之间均匀分布,您认为log(x)
在log(1)
和log(5)
之间也是均匀分布的吗?在您的示例中,请尝试使用hist(new$realinc)
和hist(new$logrealinc)
来查看它们之间的差异。“cut”只是基本上将整个范围划分为恒定间隔;一个元素可能会落入一个区间,而其对数会落入另一个区间。 - nicola