在 R 中按自定义范围对数据进行分组（例如，0-4、1-5、2-6、3-7 等）答案

【问题标题】：Grouping data by custom range in R (for example, 0-4, 1-5, 2-6, 3-7 and etc.)在 R 中按自定义范围对数据进行分组（例如，0-4、1-5、2-6、3-7 等）
【发布时间】：2018-03-29 17:29:26
【问题描述】：

我正在使用来自https://www.kaggle.com/c/titanic 的泰坦尼克号数据集。

我想制作不同的年龄组，例如“0-4”、“1-5”、“2-6”、“3-7”等，并找出存活百分比为最高。我的年龄组在整数区间 [0,80] 内。原始数据集中的“年龄”列也包括 NA。 “幸存”列包含该人是否幸存的信息（0 = 否，1 = 是）。

我试图像这样解决这个问题，但没有奏效。如有任何帮助，我将不胜感激。

for(i in 0:80){
max= -Inf
x[i]<-(sum(subset(dataset, Age < (i+5) & Age >= i, select = "Survived")))/(length(which(dataset$Age < (i+5) & dataset$Age>= i)))
if (x[i] > max) max <- x[i]
return(max, i, i+5)}

【问题讨论】：

您的群组重叠，"0-4", "1-5", "2-6", "3-7"。 Age == 3 的值属于哪个组，所有这些？
是的，Age == 3 分为几个年龄段。我明白这很荒谬。但是，如果有任何可能编写一个循环或用这样的组制作一个表格，以找出每个年龄组的存活率，step=5？

标签： r data.table grouping aggregation categorization

【解决方案1】：

首先我会补一些数据。

set.seed(1234)   # make it reproducible
Age <- sample(c(NA, 1:80), 200, TRUE)
Survived <- sample(0:1, 200, TRUE)

现在是代码。定义一个函数将cut的输入分成组，而lapply该函数以每个组开始，从0到3。

fun <- function(i, x){
    as.character(cut(x, breaks = seq(i, 80, by = 5), include.lowest = TRUE))
}

res <- unlist(lapply(0:3, fun, Age))
table(res)

res_surv <- unlist(lapply(0:3, fun, Age[Survived == 1]))
table(res_surv)

如果你想要百分比，你可以这样做

tbl_surv <- table(res_surv)
100*tbl_surv/sum(tbl_surv)

【讨论】：

【解决方案2】：

OP 已要求

找出存活率最高的年龄组

有一种可能的解决方案是使用非等值连接：

library(data.table)
library(titanic)
dataset <- as.data.table(titanic_train)
delta <- 4
max_age <- 80
dataset[
  .(lower = seq(0, max_age - delta), upper = seq(delta, max_age)), 
  on = .(Age >= lower, Age <= upper), .SD[, .N, by = Survived], by = .EACHI][
    , total.N := sum(N), by = Age][, share := N / total.N][]

     Age Age Survived  N total.N     share
  1:   0   4        1 27      40 0.6750000
  2:   0   4        0 13      40 0.3250000
  3:   1   5        0 13      37 0.3513514
  4:   1   5        1 24      37 0.6486486
  5:   2   6        0 12      33 0.3636364
 ---                                      
137:  72  76        0  1       1 1.0000000
138:  73  77        0  1       1 1.0000000
139:  74  78        0  1       1 1.0000000
140:  75  79       NA  1       1 1.0000000
141:  76  80        1  1       1 1.0000000

到目前为止的结果表明，只有一名乘客幸存的年龄组的存活率最高，为 100%。这是微不足道的，可能不是 OP 正在寻找的结果。要么必须扩大delta，要么必须应用每个年龄段乘客绝对数量的阈值，例如total.N > 2。

【讨论】：

【解决方案3】：

一种方法是按年龄将所有内容制成表格，然后将它们分组。然后递归地使用lag() 函数添加每组五行。假设数据框（df）有两列，Age 和 Survived（0 或 1）：

library(dplyr)

df %>% group_by(Age) %>% 
  summarize(n = n(), Survived = sum(Survived)) %>% 
  arrange(Age) %>% 
  mutate(Age_Group = paste0(Age-4, "-", Age)) %>% 
  mutate_at(vars(n, Survived), 
  funs(. + lag(.) + lag(lag(.)) + lag(lag(lag(.))) + lag(lag(lag(lag(.)))))) %>% 
  mutate(SurvivalRate = Survived/n) %>% 
  filter(!is.na(n)) %>% 
  select(-Age)

【讨论】：