如何对数据进行分箱以删除低计数？

我想出于保护隐私的目的使用装箱来处理数据。数据涉及数字整数，并且必须以频率高于最小值的方式进行分箱，x.

我还想最小化垃圾箱的宽度，以尽可能多地保留数据。最小化 bin 的宽度并没有严格定义，因为这只是避免不必要的数据丢失的一般目标。由于整数的分布不同，因此 bin 大小将为不均匀.

我希望开发一个可以接受一组整数的函数data$column和最小计数阈值x，并返回一组经过处理的整数data$treated_column.

这是一个最小计数阈值为 3 的示例，显示治疗前后的计数。

set.seed(10)
data <- tibble(column = sample(1:5, 10, replace = TRUE))
data %>% count(column)
expected_data <- data %>% mutate(treated_column = c('3-5','1-2','1-2','3-5','3-5','1-2','1-2','1-2','3-5','3-5'))
expected_data %>% count(treated_column)

这是两个附加数据列，它们更准确地反映了我实际使用的数据类型，可以用作示例。

set.seed(5)
data <- tibble(columnA = sample(1:100, 1000, replace = TRUE),
               columnB = sample(10:1000, 1000, replace = TRUE))

我一直在思考的逻辑类型是这样的，但我不知道如何实现：

1. 统计整数频率并按整数升序排列
2. 如果计数 >=x在第一行，保持相同。如果计数 x，依次与下一个整数组合，直到 count >=x
3. 迭代剩余行
4. 检查最后一个 bin 的计数是否 >=x，如果没有，则合并最后 2 个 bin
5. 创建包含分箱结果的 treated_column

递归函数，分成永远不小于的组min_size（但是是贪婪的并且不保证不能创建更多的组）：

recursive_mingrp <- function(x, min_size = 6L) {
 # Recursive helper function 
 find_grps <- \(x) {
   low <- which(x < median(unique(x)))
   if (length(unique(x)) == 1L || length(low) < min_size || length(x)-length(low) < min_size) {
     limits[length(limits) + 1L] <<- max(x)    
     return(NULL)
   }
   find_grps(x[low])
   find_grps(x[-low])
 }
 
 x      <- sort(x)
 limits <- list()
 find_grps(x)
 if (length(limits) == 1L) limits <- range(x)
 cut(x, unlist(limits), include.lowest=T) 
}

Example

set.seed(10)
table(recursive_mingrp(sample(10:1000, 1000, replace = TRUE), 33))
  #  [66,123]   (123,191]   (191,258]   (258,329]   (329,388]   (388,448]   (448,519] 
  #        67          63          58          65          59          58          61 
  # (519,582]   (582,609]   (609,636]   (636,686]   (686,716]   (716,748]   (748,809] 
  #        62          34          33          71          33          40          58 
  # (809,883]   (883,940] (940,1e+03] 
  #        59          60          58