Caret的dummyVars生成不存在的town虚拟变量问题求助

原因 #

出现不存在的town_C/town_D/town_E虚拟变量，核心原因是**town列的因子水平包含了当前数据集里没有的类别**：

• 要么是你在同一个R会话中，之前处理过包含C/D/E类别的town数据，当前读取的train数据中town列被自动转换为因子时，继承了之前的因子水平；
• 要么是读取CSV时，旧版本R默认stringsAsFactors=TRUE，而CSV文件本身存在隐藏的C/D/E条目（比如未注意到的行），导致生成的因子包含多余水平。

解决办法 #

方法1：重置因子水平 #

先将town列转换为仅包含当前数据中实际存在的类别的因子，再生成虚拟变量：

library(caret)
train <- read.csv("HW1PB4Data_train.csv", header = TRUE)
# 重置town的因子水平，只保留当前数据里的唯一值
train$town <- factor(train$town, levels = unique(train$town))
# 生成虚拟变量
dummy <- dummyVars("~ .", data = train)
train2 <- data.frame(predict(dummy, newdata = train))
train2

方法2：读取数据时禁用自动转因子 #

读取CSV时指定stringsAsFactors=FALSE，避免继承旧的因子水平，再手动转换为因子：

library(caret)
train <- read.csv("HW1PB4Data_train.csv", header = TRUE, stringsAsFactors = FALSE)
train$town <- factor(train$town)
dummy <- dummyVars("~ .", data = train)
train2 <- data.frame(predict(dummy, newdata = train))
train2

方法3：用levelsOnly参数强制基于当前数据生成 #

在dummyVars中添加levelsOnly=TRUE参数，让函数仅根据当前数据集的实际类别生成虚拟变量：

library(caret)
train <- read.csv("HW1PB4Data_train.csv", header = TRUE)
dummy <- dummyVars("~ .", data = train, levelsOnly = TRUE)
train2 <- data.frame(predict(dummy, newdata = train))
train2

内容的提问来源于stack exchange，提问作者user176556