将分类变量转为数值变量时出现NA coercion警告的解决方法

问题背景 #

处理包含51945条记录的Movies数据集时，尝试将production_companies列转换为数值变量，执行代码：

Movies$production_companies <- as.numeric(Movies$production_companies)

后出现NA introduced by coercion警告，且该列全部变为NA值。从数据集结构可知，production_companies是字符类型，存储内容为单/多个制片公司名称（如"Pixar"、"Pixar, Walt Disney Pictures"）。

原因分析 #

as.numeric()仅能直接转换纯数字格式的字符内容，而production_companies存储的是文本字符串（包含公司名称、逗号分隔的多值），无法直接被解析为数值，因此转换后全部生成NA。

解决方案 #

根据分析需求，可选择以下两种转换方式：

方式1：将每个公司组合视为单一分类转数值

把每个不同的公司组合（如"Pixar"、"Pixar, Walt Disney Pictures"）当作独立类别，转换为唯一数值：

# 先转为因子（自动为每个唯一组合分配水平），再转数值
Movies$production_companies <- as.numeric(factor(Movies$production_companies))

• 每个唯一的公司组合会被分配一个唯一数字，比如"Pixar"对应1、"Pixar, Walt Disney Pictures"对应2等。
• 可通过levels(factor(Movies$production_companies))查看数字对应的原类别。

方式2：拆分多公司，做多标签数值化（独热编码）

如果需要单独分析每个制片公司的影响，先拆分逗号分隔的多公司，再生成独热编码（每个公司对应一列，存在则为1，否则为0）：

library(tidyverse)

# 拆分多公司并生成独热编码
Movies_onehot <- Movies %>%
  # 拆分每行的多个公司为单独行
  mutate(company = str_split(production_companies, ", ")) %>%
  unnest(company) %>%
  mutate(has_company = 1) %>%
  # 转换为宽格式，每个公司作为一列
  pivot_wider(names_from = company, values_from = has_company, values_fill = 0)

• 转换后会新增多个列，比如Pixar列、Walt Disney Pictures列，每行对应位置标记是否包含该公司。

额外建议 #

• 转换前可通过length(unique(Movies$production_companies))查看有多少种唯一的公司组合，帮助判断哪种转换方式更适配需求。

内容的提问来源于stack exchange，提问作者Mia