如何将含有效答案或NA的变量转换为虚拟变量（R语言）

问题背景 #

给定如下示例数据集：

df <- data.frame(Q1_A = c("This is a reason", NA, "This is a reason", NA),
                 Q1_B = c("This is another reason", "This is another reason", NA, NA))

其中的NA并非真实缺失值，而是代表该选项未被选中的基准水平。需要将这些变量转换为适合线性回归（lm(y ~ Q1_A + Q1_B + ...)）的格式，最终得到包含明确基准水平的数据集，同时回归输出能直接得到各变量的系数（如示例中的系数结果）。

解决方案 #

方法1：基础R批量替换

通过lapply遍历数据框的所有列，将每列中的NA替换为"Baselevel"：

df[] <- lapply(df, function(col) {
  col[is.na(col)] <- "Baselevel"
  col
})

执行后得到的数据集即为期望形式：

# 输出结果
df
#>                Q1_A                  Q1_B
#> 1 This is a reason This is another reason
#> 2        Baselevel This is another reason
#> 3 This is a reason        Baselevel
#> 4        Baselevel        Baselevel

方法2：tidyverse风格批量处理

如果使用dplyr包（tidyverse生态），可以用更简洁的语法实现批量替换：

library(dplyr)

df <- df %>%
  mutate(across(everything(), ~ifelse(is.na(.), "Baselevel", .)))

线性回归适配 #

完成替换后，直接运行线性回归即可：

# 假设y是你的响应变量
model <- lm(y ~ Q1_A + Q1_B, data = df)
summary(model)

R会自动将分类变量转换为虚拟变量，"Baselevel"会被设为基准组，回归输出的系数就是对应类别相对于基准组的效应，完全符合你期望的输出格式。

内容的提问来源于stack exchange，提问作者Tom