R语言批量设置多虚拟变量行值 修正model.matrix独热编码错误

原始数据复现 #

先加载你提供的测试数据：

data2 <- structure(list(id = c(1, 1, 3, 3, 5, 6), 
                        country = c("US", "JP","CH", "US", "KR", "KR"), 
                        US = c(0, 0, 0, 0, 0, 0), 
                        JP = c(0,0, 0, 0, 0, 0), 
                        CH = c(0, 0, 0, 0, 0, 0), 
                        KR = c(0, 0, 0, 0,0, 0), 
                        BE = c(0, 0, 0, 0, 0, 0), 
                        SP = c(0, 0, 0, 0, 0, 0)), 
                   class = "data.frame", 
                   row.names = c(NA, -6L))

问题原因 #

你之前用model.matrix的写法结果错误，核心原因有两个：

• 因子水平默认按字母排序，和你数据框里现有国家列的排列顺序不一致，靠位置赋值必然出现列错位
• 没有做列名匹配，只要列顺序和因子顺序不对应，赋值结果就会错

正确实现方案 #

方案1：基础R无依赖实现（最稳妥，不会错位） #

用R矩阵索引的原生能力直接按行、列匹配赋值，逻辑简单不会出错：

# 定义所有国家列的列名集合
country_cols <- c("US", "JP", "CH", "KR", "BE", "SP")
# 按行匹配country值对应的列位置，将对应位置值设为1
data2[cbind(1:nrow(data2), match(data2$country, country_cols))] <- 1

运行后得到的结果完全匹配目标结构：

• 每行仅country列取值对应的国家列值为1，其余国家列保持0
• 数据中没有出现的国家（BE、SP）列保持全0
• 不存在值错位问题

方案2：修正你之前的model.matrix写法 #

如果要沿用独热编码的生成逻辑，只需要补全列名匹配步骤即可：

# 生成独热编码矩阵
mm <- model.matrix(~country - 1, data2)
# 去掉model.matrix自动加的列名前缀
colnames(mm) <- gsub("^country", "", colnames(mm))
# 按列名匹配赋值，避免顺序错位
data2[, colnames(mm)] <- mm

运行结果和方案1完全一致。

内容的提问来源于stack exchange，提问作者ZZ Top