R语言中如何为字符串分配唯一编码？编码数远少于数据行数

核心思路 #

你需要的是将重复的字符串映射到唯一整数编码，unique()是提取唯一值的函数，并非用来完成这类映射，所以报错属于正常情况。以下是两种适配百万级观测数据集的高效处理方法：

方法1：factor类型转换（最简便） #

factor类型会自动将字符串类别映射为整数编码，向量化操作对百万级数据性能友好：

# 假设字符串列名为desc_col，数据集为df
df$code <- as.integer(factor(df$desc_col))

• 若需自定义编码顺序，可指定levels参数：

# 提取唯一描述符并按出现频率排序
unique_descs <- unique(df$desc_col)
unique_descs_sorted <- unique_descs[order(table(df$desc_col), decreasing = TRUE)]
# 生成指定顺序的编码
df$code <- as.integer(factor(df$desc_col, levels = unique_descs_sorted))

方法2：match结合unique（更灵活） #

先提取唯一描述符列表，再通过match将每个字符串匹配到对应索引：

unique_descs <- unique(df$desc_col)
df$code <- match(df$desc_col, unique_descs)

• 此方法的编码顺序为唯一值首次出现的顺序，适合需保留原始出现顺序的场景。

性能补充 #

以上两种方法均为向量化操作，无需循环，处理百万行数据速度高效。若使用dplyr，写法更简洁：

library(dplyr)
df <- df %>%
  mutate(code = as.integer(factor(desc_col)))

内容的提问来源于stack exchange，提问作者Nicholas Kinberg