R语言抽样数据后如何自动更新因子水平？

在R中抽样含因子变量的数据集时，抽样后的数据框会保留原数据集的所有因子水平，这会导致后续计算列联系数、Cramer's V等指标返回NA值。以下是几种简单有效的解决方法：

方法1：使用droplevels()函数 #

这是R原生的直接解决方案，专门用于移除数据中未出现的因子水平。你可以在抽样时直接调用，也可以抽样后单独处理：

# 抽样时同步处理因子水平
comp_data <- droplevels(raw_data[sample(1:nrow(raw_data), 100), ])

# 或抽样后单独更新
comp_data <- raw_data[sample(1:nrow(raw_data), 100), ]
comp_data <- droplevels(comp_data)

执行后用str(comp_data)查看，会发现因子水平已更新为当前数据实际存在的水平。

方法2：使用forcats包的fct_drop()（适配tidyverse生态） #

如果你习惯使用tidyverse工具链，forcats包的fct_drop()可以灵活批量处理所有因子列：

library(forcats)
library(dplyr)

comp_data <- raw_data[sample(1:nrow(raw_data), 100), ]
comp_data <- comp_data %>% mutate(across(everything(), fct_drop))

也可以针对特定列处理，比如只更新Education列：mutate(Education = fct_drop(Education))。

方法3：手动重新因子化 #

通过lapply()遍历所有列，用factor()函数重新生成仅包含当前数据存在水平的因子：

comp_data <- raw_data[sample(1:nrow(raw_data), 100), ]
comp_data[] <- lapply(comp_data, factor)

这种方法本质是重新构造因子，同样能实现水平更新的效果。

补充说明 #

R中因子的水平属性在创建时确定，抽样仅筛选行数据，不会自动修改因子的水平集合。未出现的水平会导致列联表出现全0的行/列，进而使相关系数计算返回NA。使用上述方法更新因子水平后，后续的列联系数、Cramer's V计算即可正常得到结果。

内容的提问来源于stack exchange，提问作者Kevin