R语言glm预测报错：factor has new levels问题排查求助

问题描述 #

使用glm()做逻辑回归时，划分训练集和测试集后，基于训练集建模，对测试集调用predict()时报错：

Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : 
  factor A has new levels 

检查训练集和测试集的A列因子水平，结果一致：

levels(as.factor(df_test1$A))
levels(as.factor(df_train$A))
# 输出均为：[1] ""  "N" "Y"

但查看模型摘要发现，A仅生成了虚拟变量AY（以AN为参考），空字符串水平被自动排除，将""改为"no data"后问题仍存在。

用户代码如下：

data = read.csv('2022_data.csv')

data$A= as.factor(data$A)
data$B= as.factor(data$B)

# split train and test
df = sort(sample(nrow(data), nrow(data)*.8))
df_train = data[df,]
df_test = data[-df,]

# create model
model1 = glm(attrition ~ A+ B + C + D + E, data = df_train, family = binomial)

predict1 = predict(model1, df_test1, type='response')

排查方向与解决方法 #

1. 检查训练集里实际存在的A水平（不是仅看levels） #

用table()查看训练集A列各水平的样本数，确认空字符串（或"no data"）水平是否真的有样本：

table(df_train$A)

如果输出里没有""（或"no data"）的条目，说明训练集里这个水平的样本要么被默认的na.omit（缺失值处理）删掉了，要么本来就没有。这种情况下模型根本没学习到这个水平的信息，测试集里出现就会报错。

2. 强制对齐训练集与测试集的因子水平 #

即使两边levels显示一致，也可能存在测试集因子水平的内部属性和训练集不匹配的情况，手动把测试集的A列因子水平和训练集对齐：

# 先统一替换空字符串
df_train$A[df_train$A == ""] = "no_data"
df_test$A[df_test$A == ""] = "no_data"

# 重新转成因子，强制对齐水平
df_train$A = factor(df_train$A, levels = c("no_data", "N", "Y"))
df_test$A = factor(df_test$A, levels = levels(df_train$A))

重新建模后再尝试预测。

3. 检查建模时的样本过滤情况 #

查看模型实际使用的训练样本，确认空字符串水平的样本是否被排除：

# 查看模型用到的数据集
head(model1$model)
# 统计模型数据里A的水平分布
table(model1$model$A)

如果这里没有""或"no_data"，说明这些样本因为其他变量有缺失值，被默认的na.action = na.omit删掉了。解决方法：

• 提前处理所有变量的缺失值（比如填充、删除）
• 建模时设置na.action = na.exclude（保留缺失值的位置，预测时对应位置返回NA）

4. 检查代码笔误 #

注意到用户代码里测试集变量是df_test，但预测时写的是df_test1，如果是笔误导致用了其他数据集，也可能出现这个错误，先确认变量名一致。

内容的提问来源于stack exchange，提问作者Orvin Bellamy