数据分箱、分组

 

• 下列状况下经常使用到分箱

a、某些数值自变量在测量时存在随机偏差，须要对数值进行平滑以消除噪音

b、有些数值自变量有大量不重复的取值，对于使用 <、>、=等基本操做符的算法（如决策树）而言，若是能减小这些不重复取值的个数，就能提升算法的速度

c、有些算法只能使用分类自变量，须要把数值变量离散化

 

数据内被概括入几个分箱后，能够用每一个分箱内数值的均值、中位数或边界值替代分箱内各观测的数值，也能够把每一个分箱做为离散化后的一个类别。

例如，

某个自变量的观测值为1，2.1，2.5，3.4，4，5.6，7，7.4，8.2.

假设将它们分为三个分箱，（1，2.1，2.5），（3.4，4，5.6），（7，7.4，8.2），

那么使用分箱均值替代后所得值为（1.87，1.87，1.87），（4.33，4.33，4.33），（7.53，7.53，7.53），

使用分箱中位数替代后所得值为（2.1，2.1，2.1），（4，4，4），（7.4，7.4，7.4），

使用边界值替代后所得值为（1，2.5，2.5），（3.4，3.4，5.6），（7，7，8.2）（每一个观测值由其所属分箱的两个边界值中较近的值替代）

 

分箱法分为等深分箱（样本量一致，比等宽好）、等宽分箱（cut函数直接能够获取）

 

• cut函数

能够很方便的将一个连续型变量切割成很小的片断。下面是cut函数的默认形式，用于处理数值向量。该方式实现等宽分箱

#数值形式
cut(x,breaks,labels= NULL,
   include.lowers = F, right = TURE,dig.lab = 3,
   ordered_result = F,...)

x：数值向量（用于转换成一个因子）

breaks：指定分割点数量的整数，或者指定分割点位置的向量

labels：输出因子的水平的标签，默认问：null

include.lowest：逻辑值、当right = T时，代表区间左边的临界点是否应该被包含在区间内；当 right=F时，区间右边的临界点是否应该被包含在区间内，默认为F

rigth：逻辑值，代表区间是否应该是左开右闭的（当right=F，区间左闭右开），默认是T

dig.lab：当产生一个标签时，标签的有效位数（当标签未被显式指定时），默认是3

ordered_results：一个逻辑值，代表返回值是否应该被转换成有序因子，默认是FINS

 

cut函数还能够用来操纵R中的Date对象：

#日期形式
cut(x,breaks,labels=NULL,start.on.monday=T,right=F,...)

cut函数的输入是一个数值向量， 输出是一个因子。因子的每一个水平对应输入向量的每一个区间范围