关于数据五等分

STATA

1、egen命令+cut()函数

这种分割方法，是对感兴趣的变量的取值进行排序，然后变量的实际取值五等分。

 // 收入五等分
egen income2=cut(income), group(5)
 tab income2
// 查看五等分后的均值分布
mean income, over(income2)

income2	Freq.	Percent	Cum.
0	1,947	19.64	19.64
1	1,586	16	35.65
2	1,754	17.7	53.34
3	2,566	25.89	79.24
4	2,058	20.76	100
Total	9,911	100

	Over	Mean	Std. Err.	[95% Conf.	Interval]
income
	0	645.1798	19.65844	606.6452	683.7143
	1	5340.14	46.23396	5249.512	5430.768
	2	13028.83	71.89518	12887.9	13169.76
	3	25492.33	93.73953	25308.58	25676.08
	4	67655.16	1357.951	64993.3	70317.02

2、gen命令+group()函数

这种分割方法是根据感兴趣的变量取值排序，然后对样本五等分。

//根据收入进行排序，然后对数据集五等分。
sort income
gen income3=group(5)
tab income3
mean income, over(income3)

income3	Freq.	Percent	Cum.
1	1,983	20.01	20.01
2	1,982	20	40.01
3	1,982	20	60
4	1,982	20	80
5	1,982	20	100
Total	9,911	100

	Over	Mean	Std. Err.	[95% Conf.	Interval]
income
	1	687.9299	20.55276	647.6423	728.2175
	2	6398.316	56.05585	6288.435	6508.197
	3	16010.37	81.97568	15849.68	16171.06
	4	27724.18	96.34285	27535.33	27913.03
	5	68868.98	1402.875	66119.06	71618.9

R

cut()函数

# 利用cut()函数进行切割，生成新的因子变量income2
> cgss2 <- cgss %>% 
+ mutate(income2=cut(income, breaks=5))
# 分组求均值
> avg_income2 <- cgss2 %>%
+ group_by(income2) %>%
+ summarise(avg=mean(income))
> avg_income2

	income2	avg
1	(-1e+03,2e+05]	22143.
2	(2e+05,4e+05]	315116.
3	(4e+05,6e+05]	525000
4	(6e+05,8e+05]	750000
5	(8e+05,1e+06]	1000000

这个结果和STATA的结果差别很大，主要是由于R的cut()函数是先设定最大值和最小值，然后对取值区间进行五等分。
即，上例中的cut(income, breaks=5)相当于
cut(income, breaks=c(0, 200000,400000,600000,800000, 1000000))

参见下面的例子，尤其是等效的hist()函数。

> Z <- stats::rnorm(10000)
> table(cut(Z, breaks = -6:6))

(-6,-5] (-5,-4] (-4,-3] (-3,-2] (-2,-1]  (-1,0]   (0,1]   (1,2]   (2,3]   (3,4]   (4,5]   (5,6] 
      0       2       7     220    1335    3510    3356    1335     225      10       0       0 

> table(cut(cgss$income, breaks=5))

(-1e+03,2e+05]  (2e+05,4e+05]  (4e+05,6e+05]  (6e+05,8e+05]  (8e+05,1e+06] 
          9860             43              4              3              1 

> hist(cgss$income, breaks=5, plot=F)
$breaks
[1] 0e+00 2e+05 4e+05 6e+05 8e+05 1e+06

$counts
[1] 9860   43    4    3    1

$density
[1] 4.974271e-06 2.169307e-08 2.017960e-09 1.513470e-09 5.044900e-10

$mids
[1] 1e+05 3e+05 5e+05 7e+05 9e+05

$xname
[1] "cgss$income"

$equidist
[1] TRUE

attr(,"class")
[1] "histogram"

很明显，cut()函数是无法满足很多情况下的五等分的切割需求的。
dplyr包中的case_when()函数，是类似if_else条件判断来分组，仍需要事先知道切割点。
如果知道五等分点，不用这些函数，也可以很好地切割。
目前没有找到更好的更好用的R函数。