Сгруппируйте и создайте три новых столбца по условию [Low, Hit, High] (эквивалент панд в R)

Команда base::cut() может сделать это:

 df$Cut<-cut(df$Value, breaks = c(-Inf, -0.25, 0.25, Inf), labels = c("Low", "Hit", "High"), )

 df
  Type Value  Cut
1   RF  -1.5  Low
2   RF  -0.1  Hit
3   RF   1.7 High
4  MLP   0.2  Hit
5  MLP  -0.7  Low
6  MLP  -0.6  Low

 table(df$Type, df$Cut)
     
      Low Hit High
  MLP   2   1    0
  RF    1   1    1

Редактировать 2: цепочка dplyr с количеством и pivot_wider:

df %>% 
  mutate(name = cut(Value, 
                   breaks = c(-Inf, -0.25, 0.25, Inf), 
                   labels = c("Low", "Hit", "High"), )) %>% 
  count(Type, name) %>% 
  pivot_wider(values_from = n,
              values_fill = 0)

Редактировать 3: без подсчета и с использованием value_fn (функция значения)

df %>% 
  mutate(name = cut(Value, 
                   breaks = c(-Inf, -0.25, 0.25, Inf), 
                   labels = c("Low", "Hit", "High"), )) %>% 
  pivot_wider(values_from = Value,
              values_fn = length,
              values_fill = 0)

Вот совершенно другой подход, использующий dplyover::over() с именованным списком перекодирования. Часть перекодирования немного более трудоемка по сравнению с cut(), но нам не нужно прямоугольное преобразование данных с pivot_wider().

library(dplyr)
library(dplyover) # https://timteafan.github.io/dplyover/
# disclaimer: I'm the maintainer and its not on CRAN

df %>% 
  group_by(Type) %>% 
  summarise(over(list(Low  = c(-Inf, -0.25), 
                      Hit  = c(-0.25, 0.25),
                      High = c(0.25, Inf)),
                 ~ sum(Value > .x[1] & Value < .x[2])
                 )
  )
#> # A tibble: 2 × 4
#>   Type    Low   Hit  High
#>   <chr> <int> <int> <int>
#> 1 MLP       2     1     0
#> 2 RF        1     1     1

Мы также можем использовать cut() для части перекодирования, а затем использовать dplyover::over().

df %>% 
  mutate(Value = cut(Value,
                     breaks = c(-Inf, -0.25, 0.25, Inf),
                     labels = c("Low", "Hit", "High"))) %>% 
  group_by(Type) %>% 
  summarise(over(unique(.$Value),
                 ~ sum(Value  == .x)
                 )
  )
#> # A tibble: 2 × 4
#>   Type    Low   Hit  High
#>   <chr> <int> <int> <int>
#> 1 MLP       2     1     0
#> 2 RF        1     1     1

данные ОП

df = data.frame(Type=c("RF", "RF", "RF", "MLP", "MLP", "MLP"),
                Value=c(-1.5, -0.1, 1.7, 0.2, -0.7, -0.6))

^{Created on 2022-10-15 by the reprex package (v0.3.0)}

Я вижу, что ваши данные несколько велики. Я бы использовал data.table для того, что вам нужно, так как вы получите результаты намного быстрее.

Вот как я бы построил сценарий, чтобы добиться того, чего вы хотите. Здесь используются оптимизированные функции data.table (работает как CASE WHEN в SQL) и fcase, а я также создаю класс dcast для учета наблюдений, которые не подпадают под ваши предопределенные условия.

library(data.table)

df = data.frame(Type=c("RF", "RF", "RF", "MLP", "MLP", "MLP"),
                Value=c(-1.5, -0.1, 1.7, 0.2, -0.7, -0.6))

df = as.data.table(df)

df[, class := fcase(Value >= -0.25 & Value <= 0.25, "Hit",
                    Value < -0.25, "Low",
                    Value > 0.25, "High",
                    default = "error")]

dcast(df, Type ~ class, value.var = "class")

Вывод:

   Type High Hit Low
1:  MLP    0   1   2
2:   RF    1   1   1

Другое решение:

library(data.table)

cases = factor(1:3, 1:3, c("Low", "Hit", "High"))
dcast(setDT(df), Type ~ cases[findInterval(Value, c(-Inf, -.25, .25), TRUE)], fun=length)

     Type   Low   Hit  High
1:    MLP     2     1     0
2:     RF     1     1     1