技术：fct_lump分箱使用方法

用R的help功能发现，存在 forcats::fct_lump。因此安装这个包或者tidyverse包，然后library()调用函数。

举个例子。

library(tidyverse)

## Error in `library()`:
## ! there is no package called 'tidyverse'

x <- factor(rep(LETTERS[1:9], times = c(40, 10, 5, 27, 1, 1, 1, 1, 1))) %>% as.tibble()

## Error in `factor(rep(LETTERS[1:9], times = c(40, 10, 5, 27, 1, 1, 1, 1, 1))) %>%
##     as.tibble()`:
## ! could not find function "%>%"

# x %>% head()
# x %>% str()
table(x)

## Error:
## ! object 'x' not found

这是样本例子。

x %>% 
  distinct()

## Error in `x %>% distinct()`:
## ! could not find function "%>%"

x %>% 
  mutate(value  = fct_lump(value)) %>% 
  distinct(value)

## Error in `x %>% mutate(value = fct_lump(value)) %>% distinct(value)`:
## ! could not find function "%>%"

这里可以看到x中只有一个column，叫做value。对这个column进行覆盖，最后level = B, C, E, F, G, H, I → Other。

作用过程如下：

fct_lump(f, n, prop, other_level = "Other", ties.method = c("min",
  "average", "first", "last", "random", "max"))

other_level = "Other"决定了合并level的新命名，默认为Other，这里可以修改的。

其中n, prop确定了被合并的条件。

具体地，

x <- factor(letters[rpois(100, 5)]) %>% 
  as.tibble()

## Error in `factor(letters[rpois(100, 5)]) %>% as.tibble()`:
## ! could not find function "%>%"

## Error:
## ! object 'x' not found

x <- factor(letters[rpois(100, 5)])
table(x)

## x
##  a  b  c  d  e  f  g  h  i 
##  2  7 15 16 17 20  9  6  7

fct_lump(x, n = 3) %>% table()

## Error in `fct_lump(x, n = 3) %>% table()`:
## ! could not find function "%>%"

n = 3表示只能保留三个level，其余都是Other。

x %>% table()/length(x)

## Error in `x %>% table()`:
## ! could not find function "%>%"

fct_lump(x, prop = 0.1) %>% table()/length(x)

## Error in `fct_lump(x, prop = 0.1) %>% table()`:
## ! could not find function "%>%"

prop = 0.1设定了 ≤ 0.1密度的，都是Other。

以上是选多数的，下面可以使得多数分解，少数保留。

fct_lump(x, n = -3) %>% table()/length(x)

## Error in `fct_lump(x, n = -3) %>% table()`:
## ! could not find function "%>%"

fct_lump(x, prop = -0.1) %>% table()/length(x)

## Error in `fct_lump(x, prop = -0.1) %>% table()`:
## ! could not find function "%>%"

可以看到加上了-号后，多数被分解了，临界条件没有变。

最后说下如何批量分箱。

z = data_frame(
  `x` = x,
  `y` = x
)

## Error in `data_frame()`:
## ! could not find function "data_frame"

z %>% head()

## Error in `z %>% head()`:
## ! could not find function "%>%"

z %>% 
  mutate_at(vars(x,y), fct_lump, n = 3) %>% 
  head()

## Error in `z %>% mutate_at(vars(x, y), fct_lump, n = 3) %>% head()`:
## ! could not find function "%>%"

mutate_at中使用vars(x,y)选择需要批量修改的变量， fct_lump第二个参数就是我们的分箱函数， n = 3第三个参数就是分箱函数里面的参数，直线思维，机智的一笔。