如何用R高效重编码自由响应字段与组织字段为分类变量？

问题场景 #

现有数据集结构如下：

record_id | organization | other_work_loc
1 12 CCC
2 12 AMG
3 12 TAO
4 1
5 2
6 7

其中other_work_loc仅在organization=12时有值，需将organization与other_work_loc合并为org_cat列，规则为：

• organization为1或2 → org_cat='1'
• organization在3-11之间 → org_cat='2'
• 多数other_work_loc值归为org_cat='3'，但有22个特定值需分别映射到'1'或'2'

以下是替代逐个罗列值的优雅实现方案：

方案1：分类向量结合%in%判断 #

将需要映射到'1'和'2'的other_work_loc值分别存入向量，在case_when中用%in%批量判断，便于维护：

# 定义需映射到'1'的other_work_loc取值（补充剩余对应值）
map_to_1 <- c("CCC", "VAL1", "VAL2", "...")
# 定义需映射到'2'的other_work_loc取值（补充剩余对应值）
map_to_2 <- c("AMG", "VAL3", "VAL4", "...")

dataset <- dataset %>% 
  mutate(org_cat = case_when(
    organization %in% c(1, 2) | other_work_loc %in% map_to_1 ~ '1',
    between(organization, 3, 11) | other_work_loc %in% map_to_2 ~ '2',
    organization == 12 ~ '3' # 未在映射列表的other_work_loc统一归为3
  ))

方案2：命名向量实现直观映射 #

用命名向量直接定义other_work_loc与org_cat的对应关系，逻辑更清晰：

# 创建命名向量：键为other_work_loc值，值为对应的org_cat
owl_map <- c(
  "CCC" = "1", "VAL1" = "1", # 归为1的取值
  "AMG" = "2", "VAL3" = "2"  # 归为2的取值
)

dataset <- dataset %>% 
  mutate(
    # 从命名向量中匹配other_work_loc对应的分类
    owl_cat = ow_map[other_work_loc],
    # 按优先级生成最终org_cat：organization规则优先，其次是映射值，最后默认3
    org_cat = case_when(
      organization %in% c(1, 2) ~ '1',
      between(organization, 3, 11) ~ '2',
      !is.na(owl_cat) ~ owl_cat,
      TRUE ~ '3'
    ),
    # 移除临时辅助列
    owl_cat = NULL
  )

补充说明 #

• between(organization, 3, 11)等价于原代码的organization >=3 & organization <=11，写法更简洁
• 两种方案都支持快速新增/修改映射值，无需修改case_when的判断逻辑，维护成本更低
• 因other_work_loc仅在organization=12时有值，最终的TRUE ~ '3'只会匹配到该场景下未在映射列表的取值

内容的提问来源于stack exchange，提问作者Phoebe Long