如何高效合并多因子水平？处理带拼写错误的村庄因子重编码问题

方法1：用forcats包的fct_collapse（最省心的因子专用工具） #

forcats是tidyverse体系里专门处理因子的工具包，fct_collapse可以直接批量指定旧水平到新水平的映射，完美适配你的需求：

library(forcats)
library(dplyr)

# 先写好映射规则：新水平为键，对应的所有旧水平（含拼写错误）为值
village_map <- list(
  A = c("A", "misspeltA", "A_typo"), # 把A的所有错误拼写都塞这里
  B = "B",
  C = "C",
  D = "D",
  Other = c("E", "F", "G", "Z") # 暂时手动列其他村庄，后面有自动生成方法
)

# 直接应用到数据框
df <- df %>%
  mutate(village = fct_collapse(village, !!!village_map))

如果不想手动列所有Other的村庄，可以用setdiff自动生成：

# 定义A的所有变体（正确+错误）
a_variants <- c("A", "misspeltA", "A_typo")
# 定义核心正确村庄（B/C/D）
core_villages <- c("B", "C", "D")

# 自动找出所有不属于A变体和核心村庄的水平，归为Other
other_villages <- setdiff(levels(df$village), c(a_variants, core_villages))

village_map <- list(
  A = a_variants,
  B = "B",
  C = "C",
  D = "D",
  Other = other_villages
)

df <- df %>%
  mutate(village = fct_collapse(village, !!!village_map))

方法2：用dplyr的case_when快速匹配 #

如果不想额外加载forcats，用dplyr自带的case_when也能轻松搞定，逻辑直白清晰：

library(dplyr)

df <- df %>%
  mutate(village = case_when(
    # 匹配A的所有拼写形式
    village %in% c("A", "misspeltA") ~ "A",
    # 匹配正确的B/C/D
    village == "B" ~ "B",
    village == "C" ~ "C",
    village == "D" ~ "D",
    # 剩下的所有水平统一归为Other
    TRUE ~ "Other"
  )) %>%
  # 转回因子类型（可选，根据需求决定）
  mutate(village = factor(village))

方法3：模糊匹配处理未知拼写错误（可选） #

如果有些拼写错误没提前发现，可以用stringdist包通过字符串相似度自动匹配，适合处理近似拼写的情况：

library(stringdist)
library(dplyr)

# 定义目标正确村庄
target_villages <- c("A", "B", "C", "D")

df <- df %>%
  mutate(village_clean = sapply(village, function(x) {
    # 计算当前村庄与目标村庄的编辑距离（莱文斯坦距离，衡量拼写差异）
    dist_scores <- stringdist(x, target_villages, method = "lv")
    # 找到距离最小的目标村庄
    best_match <- target_villages[which.min(dist_scores)]
    # 距离<=2时认为是拼写错误，否则归为Other（阈值可根据实际情况调整）
    if (min(dist_scores) <= 2) best_match else "Other"
  })) %>%
  mutate(village_clean = factor(village_clean))

内容的提问来源于stack exchange，提问作者Sarah