R语言使用sapply按条件修改数据框因子水平失效问题排查

你代码失效是两个核心问题导致的：

• apply()处理数据框时会先把所有输入强制转换为原子矩阵，因子列的属性会被直接抹除转成普通字符串，你函数里的is.factor()判断永远不会触发，清洗逻辑完全没执行，最后再转回因子时自然保留了所有重复的原始值。
• 你写的match_levels函数本身逻辑有漏洞：对levels赋值时错误遍历了整列值而非水平向量，正则没有覆盖空格变体，大小写统一操作没有真正落地到水平上，没法合并大小写不同的同义值。

首先重写可靠的清洗函数，再用lapply()（而非apply()）按列遍历，保留每列的原始属性：

# 因子水平统一清洗函数
match_levels <- function(col) {
  # 非因子列直接原样返回
  if (!is.factor(col)) return(col)
  
  # 1. 所有因子水平统一转小写，消除大小写差异
  clean_lv <- tolower(levels(col))
  # 2. 移除所有"数字+任意空格+冒号+任意空格"格式的冗余前缀
  clean_lv <- sub("\\d+\\s*:\\s*", "", clean_lv)
  # 3. 可选：统一缩写差异，把6 mons替换为全称6 months
  clean_lv <- sub("no intercourse in last 6 mons", "no intercourse in last 6 months", clean_lv)
  
  # 赋值回水平，R会自动合并完全一致的重复水平
  levels(col) <- clean_lv
  return(col)
}

# 读取数据（R4.0+版本注意加stringsAsFactors参数保证分类列读为因子）
dat <- read.csv("你的数据文件本地路径.csv", stringsAsFactors = TRUE)
# 对所有列应用清洗函数
dat_clean <- as.data.frame(lapply(dat, match_levels))

清洗后再查看ABLECLM列的水平，所有同义重复项会被合并：

levels(dat_clean$ABLECLM)

输出为统一后的6个水平：

[1] "(1) always"                              "(2) almost always"                      
[3] "(3) sometimes"                           "(4) almost never"                       
[5] "(5) never"                               "(6) no intercourse in last 6 months"

注意：不要用apply()处理带不同类型列的数据框，它的矩阵转换逻辑会丢失列属性，按列操作数据框优先选lapply()。

内容的提问来源于stack exchange，提问作者Casey Jayne