将连续变量转换为分类变量（2）

上一节转换的一个特殊情况是：将连续变量按其分位数切分为多个桶。此转换常用于分析问卷或评分数据。若让受访者给出 1–5 星的评分，中位数往往并不是 3 星。这种情况下，按分位数拆分评分会更有用。例如，您可以在第 0、20、40、60、80、100 百分位处分割，形成 5 个五分位组。

base R 的做法是将 cut() 与 quantile() 结合使用。sparklyr 中对应的转换是 ft_quantile_discretizer()。它接收参数 num_buckets，用于指定桶的数量。下面并列展示了 base R 与 sparklyr 的实现方式。与之前相同，设置了 right = FALSE 和 include.lowest。

survey_response_group <- cut(
  survey_score,
  breaks = quantile(survey_score, c(0, 0.25, 0.5, 0.75, 1)),
  labels = c("hate it", "dislike it", "like it", "love it"),
  right  = FALSE,
  include.lowest = TRUE
)
survey_data %>%
  ft_quantile_discretizer("survey_score", "survey_response_group", num_buckets = 4)

与 ft_bucketizer() 一样，得到的分箱是从 0 开始计数的数字。如果您希望在 R 中使用它们，请显式转换为 factor。

本练习是课程的一部分

R 中使用 sparklyr 的 Spark 入门

查看课程

练习说明

已为您创建名为 spark_conn 的 Spark 连接。存储在 Spark 中的曲目信息已作为 tibble 预定义为 track_metadata_tbl。duration_labels 是描述时长的字符向量。

基于 track_metadata_tbl 创建名为 familiarity_by_duration 的变量。
- 选择字段 duration 和 artist_familiarity。
- 使用 ft_quantile_discretizer() 基于 duration 的 5 个分位数分箱，创建新字段 duration_bin。
- 收集结果。
- 将 duration_bin 转换为因子，并使用标签 duration_labels。
绘制按 duration_bin 分组的 artist_familiarity 的 ggplot() 箱线图。
- ggplot() 的第一个参数是数据，即 familiarity_by_duration。
- ggplot() 的第二个参数是美学映射，将 duration_bin 和 artist_familiarity 放入 aes() 中。
- 添加 geom_boxplot() 绘制箱线图。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# track_metadata_tbl, duration_labels have been pre-defined
track_metadata_tbl
duration_labels

familiarity_by_duration <- track_metadata_tbl %>%
  # Select duration and artist_familiarity
  ___ %>%
  # Bucketize duration
  ___ %>%
  # Collect the result
  ___ %>%
  # Convert duration bin to factor
  ___

# Draw a boxplot of artist_familiarity by duration_bin
ggplot(___, aes(___, ___)) +
  ___()

编辑并运行代码