在R语言中按频率将分类变量重编码为数值后还原为原分类的实现

核心思路：建立编码-原始值映射表 #

针对大量唯一值的场景，必须依赖映射关系而非分支判断（如case_when），先从已编码数据中提取唯一的编码与原始值对应关系，后续还原直接复用该映射即可。

步骤1：生成映射表 #

从你的df1中提取每个编码值对应的原始分类值：

# 提取x（原始分类）和x_new（编码值）的唯一映射
code_mapping <- df1 %>% distinct(x, x_new)

这个映射表会自动适配所有唯一分类值，无需手动维护分支规则。

步骤2：还原操作 #

方法一：数据框级还原（用left_join）

如果你的数据是数据框格式，直接关联映射表即可完成还原：

# 假设你有一个仅含编码列的数据框（比如处理后的计算结果）
processed_df <- df1 %>% select(x_new, ...) # ...代表其他计算生成的列

# 关联映射表，还原原始分类
decoded_df <- processed_df %>% left_join(code_mapping, by = "x_new")

方法二：向量级还原（用match）

如果只是单独处理编码向量，直接用向量匹配更高效：

# 假设你有一个编码后的向量
encoded_vec <- df1$x_new

# 匹配映射表，得到原始值向量
decoded_vec <- code_mapping$x[match(encoded_vec, code_mapping$x_new)]

补充：修正初始编码（按「稀有→频繁」顺序） #

你的示例代码中cur_grp_id()是按分组出现的顺序编码，并非按频率排序。如果需要严格按频率从稀有到频繁编码，初始步骤需先按计数排序：

df <- tibble(x = c(rep("A", 10), rep("B", 15), rep("C", 23), rep("D", 40)))

# 按频率升序（稀有在前）分组编码
df1 <- df %>%
  add_count(x) %>%          # 计算每个分类的出现次数
  arrange(n) %>%            # 按次数从小到大排序
  group_by(x) %>%
  mutate(x_new = cur_grp_id()) %>%
  ungroup() %>%
  select(-n)                # 移除计数辅助列

这样x_new的数值越小，对应的分类越稀有，完全符合需求。

内容的提问来源于stack exchange，提问作者Omry Atia