从 `cut` 函数中获取下限和上限作为数值。

Question

我在这里阅读了这个问题：将连续的数值转换为由间隔定义的离散类别

然而，我想输出一个数字（而不是因子），具体来说是下限和/或上限的数字值（分别在不同的列中）

本质上，这是正确的，只是'df$start'和'df$end'被给定为因子：

df$start <- cut(df$x, 
                breaks = c(0,25,75,125,175,225,299),
                labels = c(0,25,75,125,175,225),
                right = TRUE)

df$end <- cut(df$x, 
              breaks = c(0,25,75,125,175,225,299),
              labels = c(25,75,125,175,225,299),
              right = TRUE)

使用as.numeric()将返回因子（即值1-6）的级别，而不是原始数字。

- Andrew

---

您可以先使用as.character转换为字符型，然后再使用as.numeric转换为数值型。虽然我感觉应该有更好的解决方法来解决这个问题。 - user295691

Answer 1

cut命令的大部分行为与创建您不感兴趣的标签相关。使用findInterval或者.bincode可能更好。

您可以从数据开始。

set.seed(17)
df <- data.frame(x=300 * runif(100))

然后设置断点并找出间隔：

breaks <- c(0,25,75,125,175,225,299)
df$interval <- findInterval(df$x, breaks)
df$start <- breaks[df$interval]
df$end <- breaks[df$interval + 1]

- user295691

---

+1 对于 .bincode。我之前只见过 findInterval。现在正在尝试弄清它们之间的主要区别。看起来在处理断点处的值时有所不同，它们在 findInterval 中被移动到下一个级别，但在 .bincode 中则没有。而且，在 .bincode 中，超出断点的点映射为 NA，在默认参数下，findInterval 中映射为 0 或 N。 - C8H10N4O2

@C8H10N4O2 这个问题让我很好奇，足以让我深入到源代码层面去探究；实际上，这些函数在算法上几乎是相同的，一个有趣的项目就是将它们的实现合并成一个单一的函数，并提供选项来支持两者所需的行为，可能通过转换单个函数的输出来实现。 - user295691

Answer 2

我猜测您需要什么，因为如果您想要“原始数字”，那么您可以使用df$x。我猜您想要一个数字来反映组别？根据我的猜测，以下是一些可能的内容。

## Generate some example data
x = runif(5, 0, 300)
## Specify the labels
labels = c(0,25,75,125,175,225)
## Use cut as before
y = cut(x, 
    breaks = c(0,25,75,125,175,225,300),
    labels = labels,
    right = TRUE)

当我们将y转换为数字时，这会给出标签的索引。因此，

labels[as.numeric(y)]

或者更简单

labels[y]

- csgillespie

---

实际上，最好是不使用标签来保存间断点，如果我们只需要因子水平，是否使用自动生成的标签并不重要。所以，只需将 df$start <- breaks[cut(df$x, breaks=breaks, right=TRUE)]。 - user295691

谢谢你们两位。你的回答和评论都解决了问题 @user295691 - Andrew

Answer 3

我会选择使用正则表达式，因为所有信息都在 cut 命令的输出中。

cut_borders <- function(x){
pattern <- "(\\(|\\[)(-*[0-9]+\\.*[0-9]*),(-*[0-9]+\\.*[0-9]*)(\\)|\\])"

start <- as.numeric(gsub(pattern,"\\2", x))
end <- as.numeric(gsub(pattern,"\\3", x))

data.frame(start, end)
}

单词模式：

• 第一组: 要么是一个 ( 要么是一个 [，所以我们使用 (\\(|\\[)。

• 第二组: 数字可能是负数，所以我们使用 (-*)，我们寻找至少一个数字 ([0-9]+)，它可以有小数点，即点号 (\\.*) 和小数点后面的数字 ([0-9]*)。

• 接下来是一个逗号 (,)

• 第三组：与第二组相同。

• 第四组：类似于第一组，我们期望的是要么是一个 )，要么是一个 ]。

这里有一些用分位数划分的随机变量。函数 cut_borders 返回我们要查找的内容：

x <- rnorm(10)

x_groups <- cut(x, quantile(x, 0:4/4), include.lowest= TRUE)

cut_borders(x_groups)

- user11538509

---

很好，但是正则表达式可以大幅缩短。我们对截取模式非常了解。因此，我们可以使用 ".{1}(-?\\d+),(-?\\d+).{1}" - 无需寻找 [ 或 (，并且 "-" 可以用 ? 使其变为可选项。使用 \d 比 [0-9] 稍微更短一些。 - tjebo

这个正则表达式无法捕获科学计数法表示的区间，例如(1.26e+03,1.55e+03]。 - postylem

Answer 4

我们可以使用tidyr::extract。

library(tidyverse)
set.seed(17)
df <- data.frame(x = cut(300 * runif(100), c(0,25,75,125,175,225,299)))

df %>%
  extract(x, c("start", "end"), "(-?\\d+),(-?\\d+)")
#>     start end
#> 1      25  75
#> 2     225 299
#> 3     125 175
#> 4     225 299
#> 5      75 125
#> 6     125 175
#> ...

^{此文本由reprex软件包（v2.0.0）于2021年5月11日创建}

P.S. 感谢用户295691提供的数据和用户machine提供的正则表达式初稿，这里进行了修改。两位用户+1 :)

- tjebo