Discretiser une variable numerique avec santoku

Introduction

Le package santoku et ses fonctions chop_xxx permettent de discretiser une variable numerique, comme la fonction usuelle cut mais avec plus de fonctionnalites, cf le recapitulatif https://hughjonesd.github.io/santoku/tutorials/00-visualintroduction.html.

Le vecteur x qu’on va decouper dans les exemples ci-dessous prend ses valeurs entre 4.3 et 7.9.

library("santoku")

affiche = function(w) {
  # pour afficher le nom reel du vecteur w passe en argument de la fonction, purement esthetique
  nom = deparse(substitute(w))
  # table de contingence de la variable discretisee
  knitr::kable(as.data.frame(table(w, useNA = "ifany", dnn = nom)))
}

x = iris$Sepal.Length
range(x)

[1] 4.3 7.9

chop versus cut

Les differences immediatement visibles entre cut et chop

• les valeurs qui sortent des intervalles specifies (ici “de 3 a 4” et “de 4 a 5”) sont mises a NA par cut alors que chop complete avec la valeur max
• les intervalles ne contenant aucun point (ici entre 3 et 4) sont conserves dans les modalites de la variable de type facteur quand on utilise cut
• la valeur min des intervalles specifies est inclue avec chop (intervalle [4,5]) et exclue avec cut (intervalle (3,4]) sauf si on lui precise l’option include.lowest = TRUE

res_chop = chop(x, 3:5)
affiche(res_chop)

res_cut = cut(x, 3:5)
affiche(res_cut)

res_chop	Freq
[4, 5)	22
[5, 7.9]	128

res_cut	Freq
(3,4]	0
(4,5]	32
NA	118

Les options de chop

Etiquettes

On peut personnaliser les labels de plusieurs manieres :

res_lab = chop(x, 3:5, labels = c("Low", "Medium", "High"))
affiche(res_lab)

res_dash = chop(x, 3:5, lbl_dash())
affiche(res_dash)

res_to = chop(x, 3:5, lbl_format("%s to %s"))
affiche(res_to)

res_lab	Freq
Medium	22
High	128

res_dash	Freq
4 - 5	22
5 - 7.9	128

res_to	Freq
4 to 5	22
5 to 7.9	128

Gestion des depassements

On peut empecher chop d’etendre le dernier intervalle pour retrouver le comportement de la fonction cut.

res_extend =  chop(x, 3:5, extend = FALSE)
affiche(res_extend)

res_extend	Freq
[4, 5)	22
NA	128

Classes ponctuelles

On peut reduire une classe a un seul point.

res_point = chop(x, c(3,4,5,5))
affiche(res_point)

res_point	Freq
[4, 5)	22
{5}	10
(5, 7.9]	118

Table de contingence

Le package contient une fonction tab basee sur table :

tab(x, 3:5)

x
  [4, 5) [5, 7.9] 
      22      128 

Les differents choix de decoupage de chop_xxx

Choix disponibles pour les intervalles

• width pour la largeur des intervalles
• evenly pour le nombre d’intervalles
• n pour le nombre de points dans les intervalles
• equally pour le nombre de quantiles
• quantiles pour les valeurs des quantiles

res_large = chop_width(x, 1)
affiche(res_large)

res_nb_int = chop_evenly(x, 6)
affiche(res_nb_int)

res_nb_points = chop_n(x, 50)
affiche(res_nb_points)

res_nb_quantiles = chop_equally(x, 4)
affiche(res_nb_quantiles)

res_val_quantiles = chop_quantiles(x, c(0.2, 0.5, 0.7))
affiche(res_val_quantiles)

res_large	Freq
[4.3, 5.3)	45
[5.3, 6.3)	54
[6.3, 7.3)	43
[7.3, 8.3)	8

res_nb_int	Freq
[4.3, 4.9)	16
[4.9, 5.5)	36
[5.5, 6.1)	37
[6.1, 6.7)	33
[6.7, 7.3)	21
[7.3, 7.9]	7

res_nb_points	Freq
[4.3, 5.4)	46
[5.4, 6.3)	53
[6.3, 7.9]	51

res_nb_quantiles	Freq
[0%, 25%)	32
[25%, 50%)	41
[50%, 75%)	35
[75%, 100%]	42

res_val_quantiles	Freq
[0%, 20%)	22
[20%, 50%)	51
[50%, 70%]	35
(70%, 100%]	42

Fonction de decoupage personnalisee avec knife

On decoupe en quartiles et on personnalise les etiquettes d’intervalles.

chop_by_quartiles <- knife(
  breaks = brk_quantiles(c(0.25, 0.5, 0.75)), 
  labels = lbl_dash()
)

res_perso = chop_by_quartiles(x)
affiche(res_perso)

res_perso	Freq
0% - 25%	32
25% - 50%	41
50% - 75%	35
75% - 100%	42

retour au debut du document