數據分箱、分組

 

• 下列狀況下經常使用到分箱

a、某些數值自變量在測量時存在隨機偏差，須要對數值進行平滑以消除噪音

b、有些數值自變量有大量不重複的取值，對於使用 <、>、=等基本操做符的算法（如決策樹）而言，若是能減小這些不重複取值的個數，就能提升算法的速度

c、有些算法只能使用分類自變量，須要把數值變量離散化

 

數據內被概括入幾個分箱後，能夠用每一個分箱內數值的均值、中位數或邊界值替代分箱內各觀測的數值，也能夠把每一個分箱做爲離散化後的一個類別。

例如，

某個自變量的觀測值爲1，2.1，2.5，3.4，4，5.6，7，7.4，8.2.

假設將它們分爲三個分箱，（1，2.1，2.5），（3.4，4，5.6），（7，7.4，8.2），

那麼使用分箱均值替代後所得值爲（1.87，1.87，1.87），（4.33，4.33，4.33），（7.53，7.53，7.53），

使用分箱中位數替代後所得值爲（2.1，2.1，2.1），（4，4，4），（7.4，7.4，7.4），

使用邊界值替代後所得值爲（1，2.5，2.5），（3.4，3.4，5.6），（7，7，8.2）（每一個觀測值由其所屬分箱的兩個邊界值中較近的值替代）

 

分箱法分爲等深分箱（樣本量一致，比等寬好）、等寬分箱（cut函數直接能夠獲取）

 

• cut函數

能夠很方便的將一個連續型變量切割成很小的片斷。下面是cut函數的默認形式，用於處理數值向量。該方式實現等寬分箱

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

x：數值向量（用於轉換成一個因子）

breaks：指定分割點數量的整數，或者指定分割點位置的向量

labels：輸出因子的水平的標籤，默認問：null

include.lowest：邏輯值、當right = T時，代表區間左邊的臨界點是否應該被包含在區間內；當 right=F時，區間右邊的臨界點是否應該被包含在區間內，默認爲F

rigth：邏輯值，代表區間是否應該是左開右閉的（當right=F，區間左閉右開），默認是T

dig.lab：當產生一個標籤時，標籤的有效位數（當標籤未被顯式指定時），默認是3

ordered_results：一個邏輯值，代表返回值是否應該被轉換成有序因子，默認是FINS

 

cut函數還能夠用來操縱R中的Date對象：

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

cut函數的輸入是一個數值向量， 輸出是一個因子。因子的每一個水平對應輸入向量的每一個區間範圍