由于这是一个通用的方法问题，假设我们只有一个基于文本的变量——一个句子中的单词总数。首先，可视化您的数据是值得的。我会假装我有以下数据：

在这里，我们看到年龄和回答中的单词数之间存在轻微的依赖性。我们可以假设年轻人（大约在 12 到 25 岁之间）倾向于使用 1-4 个单词，而 25-35 岁的人试图给出更长的答案。但是我们如何分割这些点呢？我会这样做：

在 2D 绘图中，它看起来非常简单，这就是它在实践中大部分时间的工作方式。但是，您要求按单个变量 - 年龄拆分数据。也就是说，像这样：

这是一个很好的分裂吗？我不知道。其实这要看你的实际需求和对“切入点”的解读。这就是我问具体任务的原因。无论如何，这个解释取决于你。

实际上，您将拥有更多基于文本的变量。例如，您可以将每个单词用作特征（不要忘记先对其进行词干或词形还原），其值从零到响应中出现的次数。可视化高维数据并不是一件容易的事，因此您需要一种方法来发现数据组而不用绘制它们。聚类是一种通用的方法。尽管聚类算法可以处理任意维度的数据，但我们仍然只有 2D 来绘制它，所以让我们回到我们的示例。

使用像k-means这样的算法，您可以获得 2 个这样的组：

两个点 - 红色和蓝色 - 显示集群中心，由 k-means 计算。您可以使用这些点的坐标按任何轴子集拆分数据，即使您有 10k 维。但同样，这里最重要的问题是：哪些语言特征将提供合理的年龄分组。

如果我理解正确，我会尝试一些特征化方法将文本列转换为数值。然后您可以照常进行分析。有一本关于 NLP 的好书叫做Taming Text，它提供了很多方法来思考你的文本变量。