离散化连续变量的日志
问题描述:
我想离散化一个连续变量,将其切割成三个层次。我想为积极连续变量的日志(在这种情况下为收入)做同样的事情。离散化连续变量的日志
require(dplyr)
set.seed(3)
mydata = data.frame(realinc = rexp(10000))
summary(mydata)
new = mydata %>%
select(realinc) %>%
mutate(logrealinc = log(realinc),
realincTercile = cut(realinc, 3),
logrealincTercile = cut(logrealinc, 3),
realincTercileNum = as.numeric(realincTercile),
logrealincTercileNum = as.numeric(logrealincTercile))
new[sample(1:nrow(new), 10),]
我本来以为使用cut()
会为每个这些变量的离散系数相同的水平(收入和日志收入),因为日志是一个单调函数。所以这里右边的两列应该是平等的,但这似乎不会发生。这是怎么回事?
> new[sample(1:nrow(new), 10),]
realinc logrealinc realincTercile logrealincTercile realincTercileNum logrealincTercileNum
7931 0.2967813 -1.21475972 (-0.00805,2.83] (-4.43,-1.15] 1 2
9036 0.9511824 -0.05004944 (-0.00805,2.83] (-1.15,2.15] 1 3
8204 4.5365676 1.51217069 (2.83,5.66] (-1.15,2.15] 2 3
3136 2.0610693 0.72322490 (-0.00805,2.83] (-1.15,2.15] 1 3
9708 0.9655805 -0.03502581 (-0.00805,2.83] (-1.15,2.15] 1 3
5942 0.9149351 -0.08890215 (-0.00805,2.83] (-1.15,2.15] 1 3
4631 0.6987581 -0.35845064 (-0.00805,2.83] (-1.15,2.15] 1 3
7309 1.9532566 0.66949804 (-0.00805,2.83] (-1.15,2.15] 1 3
7708 0.4220254 -0.86268973 (-0.00805,2.83] (-1.15,2.15] 1 3
2965 1.3690976 0.31415186 (-0.00805,2.83] (-1.15,2.15] 1 3
编辑: @尼古拉的评论解释了问题的根源。似乎在cut
的文档中,“等长间隔”是指连续参数空间中间隔的长度。我最初解释为“等长间隔”意味着分配给每个剪辑(在输出上)的元素数量是相等的(而不是输入)。
是否有一个函数可以完成我所描述的功能? - 每个输出级别的元素数量是否相等?等效地,newfunc(realinc)
和newfunc(logrealinc)
的等级是相等的?
答
如果您希望您的关卡具有相同的居民身份,请查看quantile
函数。试举例:
x<-cut(new$realinc,quantile(new$realinc,0:3/3))
y<-cut(new$logrealinc,quantile(new$logrealinc,0:3/3))
all(as.integer(x)==as.integer(y),na.rm=TRUE)
#[1] TRUE
table(x)
#x
#(0.000444,0.396] (0.396,1.12] (1.12,8.49]
# 3333 3333 3333
'log'不是线性转换。假设'x'在1和5之间是均匀分布的。你是否期望'log(x)'在'log(1)'和'log(5)'之间均匀分布?在你的例子中,尝试'hist(new $ realinc)'和'hist(new $ logrealinc)'看看它们有什么不同。 'cut'只是以基本不变的间隔切割整个范围;一个元素可以很好地落入一个区间,并且它的日志可以进入另一个区域 – nicola
@nicola谢谢,这是有帮助的。考虑到这一点,我已经更新了这个问题。 – Hatshepsut
您可以搜索拆分向量等分块 – chinsoon12