从因子变量的区间获取端点

Question

设置我从以下正态混合模型中抽取 1,000,000 个观测值，然后对这些观测值进行分类，使得每个 10,000 个分类箱都具有相同数量的观测值（即 100）。这会以 (a,b] 的形式为每个 bin 创建一个因子，其中 a 和 b 是数字。

#Random sample
set.seed(1234)
X = ks::rnorm.mixt(n=1000000,mus=c(0.2,0.8),sigmas=c(0.04,0.01),props=c(0.95,0.05))

#Bins based on random sample with ~100 observations in each bins
bins = ggplot2::cut_number(X,10000)

dat = data.frame(X,bins)

问题我想从因子 (a,b] 中提取数字 a 和 b。这是垃圾箱的样子：

> head(table(bins))
bins
[0.00501617,0.0518875]  (0.0518875,0.0594831]  (0.0594831,0.0640679] 
                   100                    100                    100 
 (0.0640679,0.0670062]  (0.0670062,0.0694194]  (0.0694194,0.0717924] 
                   100                    100                    100 
> tail(table(bins),20)
bins
(0.817766,0.818032]   (0.818032,0.8183]   (0.8183,0.818544] (0.818544,0.818879] 
                100                 100                 100                 100 
(0.818879,0.819112] (0.819112,0.819394] (0.819394,0.819664] (0.819664,0.819979] 
                100                 100                 100                 100 
(0.819979,0.820328] (0.820328,0.820727] (0.820727,0.821118]  (0.821118,0.82158] 
                100                 100                 100                 100 
 (0.82158,0.822109] (0.822109,0.822646] (0.822646,0.823253]  (0.823253,0.82408] 
                100                 100                 100                 100 
 (0.82408,0.825026] (0.825026,0.826417] (0.826417,0.828651]  (0.828651,0.84424] 
                100                 100                 100                 100

如您所见，因数中的数字并不总是具有相同的位数，它们前面可能有 0（例如 (0.0518875,0.0594831]）。

我最初尝试使用

仅提取数字部分

endpts=na.omit(as.numeric(unlist(strsplit(as.character(unlist(bins)),"[^0-9]+"))))

对于上面的bin((0.0518875,0.0594831])，这个程序会输出 518875 594831，但由于尾随零消失，它可以映射到多个值（例如 0.518875 0.594831）。此外，有些 bin 中的一个或两个数字具有不同的位数（例如 (0.818032,0.8183]）。在尝试获取端点时，输出中缺乏一致性给我带来了问题。最终，我想获得左右端点。有什么建议吗？

EDIT 我还查看了 ggplot2::cut_number 的代码，它使用了 cut 函数。 cut 中默认输入的位数是 dig.lab=3，但这似乎没有反映在上面的输出中。

Answer 1

我认为你可以利用结构(a, b]。我没有尝试使用真实数据，但这是我的尝试：

s <- c("(0.0518875,0.0594831]", "0.818032,0.8183]")
lapply(strsplit(s, ","), function(x) gsub("\(|]", "", x))

[[1]]
[1] "0.0518875" "0.0594831" 

[[2]]
[1] "0.818032" "0.8183"

需要号码的可以按as.numeric改成号码

Answer 2

这种经过简单测试的方法的一些东西：

unique( as.numeric(  unlist( 
                 strsplit( gsub( "[][(]" , "", levels(bins)[1:5] ) , ","))))

我学会了"read nested R code from the inside-out"。第一个 (1) 使用字符 class 模式删除侧翼“(”、“[”和“]”，然后 (2) 以逗号分隔，(3) "vectorizes" 列表结构 unlist, (4) 然后转换为数字，最后 (5) 删除重复项。这表明它使用换行符进行格式化：

unique(                    #     (5)
  as.numeric(                  #     (4)
      unlist(                        #     (3)
            strsplit(                     #     (2)
                gsub( "[][(]" , "", levels(bins)[1:5] ) , ",") # (1)
       )))

这已在您的示例中进行了测试，并为使用前 5 个级别的较小示例生成了此示例：

unique( as.numeric(  unlist( strsplit( gsub( "[][(]" , "", levels(bins)[1:5] ) , ","))))
[1] 0.00501617 0.05188750 0.05948310 0.06406790 0.06700620 0.06941940

我将 "vectorizes" 这个词放在引号中，因为它并不是 R 术语中那个词的真正含义，它指的是 return 一个等长向量作为其输入的操作。

这是我的建议的结果，即在项目 not 中保留小数点（句点）用作拆分标准，并与我的代码将交付的内容相匹配。您不清楚是只想要唯一值还是每个项目的值：

endpts= na.omit( as.numeric( unlist( strsplit( as.character( unlist(bins)),"[^0-9.]+"))))

 head(endpts)
#[1] 0.216698 0.216709 0.243665 0.243682 0.201100 0.201114
 end2 <- unique( as.numeric(  unlist( strsplit( gsub( "[][(]" , "", levels(bins) ) , ","))))
head(end2)
#[1] 0.00501617 0.05188750 0.05948310 0.06406790 0.06700620 0.06941940
 length(endpts)
#[1] 2000000
 length(end2)
#[1] 10001

从因子变量的区间获取端点

Obtain endpoints from interval that is factor variable

r

intervals