如何高效重分类分类变量？多水平变量实操优化方案求助

嗨，我来给你分享几个更高效的分类变量重编码方法，不管后续你的变量有多少个水平，都能轻松搞定，再也不用一个个写冗长的判断语句啦！

先模拟一下你的数据集方便演示（和你给出的频数比例一致）：

set.seed(123)
S6 <- sample(c("BBA", "CSE", "Math", "Economics", "Botany", "Pharmacy"), 
             size = 100, replace = TRUE, 
             prob = c(291,10,1,33,498,333)/sum(c(291,10,1,33,498,333)))
bachelor <- data.frame(S6)

方法一：用dplyr::case_when（逻辑清晰，适合快速编码） #

这个方法只需要写两个核心条件，剩下的所有情况自动归为Other，哪怕以后新增更多水平，也不用修改代码：

library(dplyr)

bachelor <- bachelor %>%
  mutate(S6_recode = case_when(
    # 把指定水平归为Life Science
    S6 %in% c("Pharmacy", "Botany") ~ "Life Science",
    # 所有其他情况统一归为Other
    TRUE ~ "Other"
  ))

如果想用数字1和2表示，只需要把字符串换成对应的数字即可：~ 1和~ 2。

方法二：用forcats::fct_collapse（专为因子变量设计） #

如果你的S6是因子类型，用这个包的函数最贴合需求，还能保留因子的特性：

library(forcats)

# 手动指定分组的写法
bachelor$S6_recode <- fct_collapse(bachelor$S6,
  `Life Science` = c("Pharmacy", "Botany"),
  Other = c("BBA", "CSE", "Math", "Economics")
)

# 更高效的补集写法（不用手动列所有Other的水平）
life_science_levels <- c("Pharmacy", "Botany")
other_levels <- setdiff(levels(bachelor$S6), life_science_levels)

bachelor$S6_recode <- fct_collapse(bachelor$S6,
  `Life Science` = life_science_levels,
  Other = other_levels
)

这个写法的优势是，哪怕后续S6新增了10个甚至更多水平，你只需要维护life_science_levels这个向量，Other的部分会自动取补集，超级省心！

方法三：用命名向量做映射（灵活复用） #

如果这个重编码规则需要重复使用，用命名向量做映射是个好选择，只需要维护映射规则即可：

# 先创建映射向量：键是原水平，值是新分类
recode_map <- setNames(rep("Other", length(levels(bachelor$S6))), levels(bachelor$S6))
# 把需要归为Life Science的水平替换掉
recode_map[c("Pharmacy", "Botany")] <- "Life Science"

# 应用映射到数据上
bachelor$S6_recode <- recode_map[bachelor$S6]
# 如果需要转成因子类型：
bachelor$S6_recode <- factor(recode_map[bachelor$S6])

上面三种方法都能帮你大幅简化重编码的工作，尤其是当变量水平超过10个的时候，效率提升特别明显！

内容的提问来源于stack exchange，提问作者Shakil Ahmed Shaon