如何确保训练集与测试集的model.matrix列数一致？求更优方法

这确实是建模时特别容易踩的坑——训练集和测试集的因子水平不一致，直接用model.matrix就会导致列数不匹配！你的思路完全正确：先从训练集提取因子水平，再统一应用到测试集，不过确实有更简洁、成熟的实现方式，我给你分享几个常用的方案：

这是现在R语言建模生态里最规范的预处理工具，能把训练集的所有预处理规则（包括因子编码、缺失值填充、标准化等）保存下来，一键应用到测试集，完全避免列不匹配的问题：

library(tidyverse)
library(recipes)

# 构造原始数据
x_ent <- tibble(x1 = c(1, 2, 3, 4), x2 = c('a', 'b', 'a', 'c')) %>% 
  mutate_if(is.character, as.factor)
x_pr <- tibble(x1 = c(5, 6, 7), x2 = c('a', 'b', 'a')) %>% 
  mutate_if(is.character, as.factor)

# 创建预处理配方：对所有分类变量做哑编码，保留截距
rec <- recipe(~ ., data = x_ent) %>%
  step_intercept() %>%  # 对应model.matrix的默认截距项
  step_dummy(all_nominal_predictors(), one_hot = FALSE)  # 按训练集因子水平生成哑变量

# 基于训练集训练配方（提取规则）
rec_prepped <- prep(rec, training = x_ent)

# 分别应用到训练集和测试集生成矩阵
x_mat_ent <- bake(rec_prepped, new_data = x_ent) %>% as.matrix()
x_mat_pr <- bake(rec_prepped, new_data = x_pr) %>% as.matrix()

# 检查维度，两者列数完全一致
dim(x_mat_ent)  # 4 4
dim(x_mat_pr)  # 3 4

这是传统建模流程里常用的工具，专门用于生成哑变量，同样能基于训练集锁定编码规则：

library(tidyverse)
library(caret)

# 构造原始数据
x_ent <- tibble(x1 = c(1, 2, 3, 4), x2 = c('a', 'b', 'a', 'c')) %>% 
  mutate_if(is.character, as.factor)
x_pr <- tibble(x1 = c(5, 6, 7), x2 = c('a', 'b', 'a')) %>% 
  mutate_if(is.character, as.factor)

# 基于训练集创建哑变量生成规则
dv <- dummyVars(~ ., data = x_ent)

# 生成训练集和测试集的矩阵
x_mat_ent <- predict(dv, newdata = x_ent)
x_mat_pr <- predict(dv, newdata = x_pr)

# 检查维度
dim(x_mat_ent)  # 4 3
dim(x_mat_pr)  # 3 3

你的核心逻辑没问题，但原函数有个小bug——没有返回encode_test函数，导致调用后会得到NULL。这里给你优化得更简洁：

library(tidyverse)

create_encoder <- function(train_data){
  # 提取训练集中的因子变量及其水平
  cat_vars <- train_data %>% select_if(is.factor) %>% names()
  label_dic <- map(cat_vars, ~levels(train_data[[.]])) %>% set_names(cat_vars)
  
  # 返回编码测试集的函数
  function(test_data){
    test_data %>%
      modify_at(cat_vars, ~factor(., levels = label_dic[[cur_column()]]))
  }
}

# 使用示例
x_ent <- tibble(x1 = c(1, 2, 3, 4), x2 = c('a', 'b', 'a', 'c')) %>% 
  mutate_if(is.character, as.factor)
x_pr <- tibble(x1 = c(5, 6, 7), x2 = c('a', 'b', 'a')) %>% 
  mutate_if(is.character, as.factor)

encode_test <- create_encoder(x_ent)
x_pr_encoded <- encode_test(x_pr)

# 生成矩阵，列数完全一致
x_mat_ent <- model.matrix(~., x_ent)
x_mat_pr <- model.matrix(~., x_pr_encoded)

dim(x_mat_ent)  # 4 4
dim(x_mat_pr)  # 3 4

总结 #

如果只是处理因子编码，自己写函数足够灵活；但如果后续还要做更多预处理（比如缺失值、标准化），优先用recipes或caret，它们能一站式解决所有预处理一致性问题。

内容的提问来源于stack exchange，提问作者Alfie González