使用base R/dplyr过滤分类变量后水平未消失的问题排查

核心原因 #

R里的**分类变量（factor）**设计上会保留变量的所有原始水平，不管这些水平在筛选后的数据集里有没有对应的数据行。dplyr::filter()只负责筛选符合条件的行，不会主动修改分类变量的水平集合，所以你筛选后查levels还是和原来一致，这是正常现象。

实用解决办法 #

• 直接删除空水平
  这是你已经用到的方法，直接对筛选后的分类变量用droplevels()就行，也可以对整个数据集操作：

  # 单独处理某个变量
  df_clean$City <- droplevels(df_clean$City)
  df_clean$Risk <- droplevels(df_clean$Risk)
  
  # 一次性处理整个数据集的所有分类变量
  df_clean <- droplevels(df_clean)
  

• 整合到dplyr管道流程
  把droplevels()加到筛选后的步骤里，一步完成：

  df_clean <- df_clean %>%
    filter(City %in% c("Chicago","312CHICAGO", "CCHICAGO", "CHCHICAGO",
                      "CHCICAGO","chicago", "Chicago", "CHicago", "CHICAGO",
                      "CHICAGOC","CHICAGOCHICAGO", "CHICAGOI",
                      "CHICAGOO", "312CHICAGO")) %>%
    droplevels()
  

• 先转字符型再筛选（按需选择）
  如果不需要保留分类变量类型，或者想直接得到只有实际存在值的水平，可以先转成字符型筛选，之后再转回factor：

  df_clean <- df_clean %>%
    mutate(City = as.character(City)) %>%
    filter(City %in% c("Chicago","312CHICAGO", "CCHICAGO", ...)) %>%
    mutate(City = as.factor(City))
  

• 全局设置（谨慎使用）
  可以设置全局选项让dplyr自动删除空水平，但这个设置会影响所有dplyr筛选操作，可能带来意外后果：

  options(dplyr.drop_levels = TRUE)
  

内容的提问来源于stack exchange，提问作者AirIcarus