如何在R语言生成虚拟变量时同步创建稀疏矩阵？

R完全支持该需求，目前有多个成熟的原生方案可以实现类似Python Pandas中sparse=True的效果，专门适配高基数分类变量的回归分析场景，内存占用远低于常规密集矩阵。

方案1：使用Matrix包的sparse.model.matrix()直接生成稀疏虚拟变量矩阵 #

这是最常用的通用方案，用法和R基础的model.matrix()几乎一致，输出为R生态通用的dgCMatrix格式稀疏矩阵，内存占用仅为同维度密集矩阵的1%不到，完全适配6000类高基数分类变量的处理需求，可直接传入所有支持稀疏矩阵的回归函数：

# 加载依赖包
library(Matrix)
# 假设你的数据框为df，两个分类变量为cat1（10类）、cat2（6000类），因变量为y
# 生成不带截距的稀疏虚拟变量矩阵（-1用于去掉截距项避免共线性）
sparse_dummy_mat <- sparse.model.matrix(y ~ cat1 + cat2 - 1, data = df)

方案2：回归工具包原生支持，无需手动生成虚拟变量 #

如果你用glmnet等常用回归包做分析，不需要手动处理虚拟变量，包内部会自动生成稀疏结构的哑变量，只需传入原始分类变量并开启稀疏开关即可：

# 加载依赖包
library(glmnet)
# 直接传入包含分类变量的数据集作为自变量，开启sparse=TRUE
fit <- glmnet(x = df[, c("cat1", "cat2")], 
              y = df$y, 
              sparse = TRUE, 
              family = "gaussian") # 高斯分布对应线性回归，可根据需求替换为其他分布

额外提示 #

针对你场景中6000类的高基数分类变量，建议先做频次清洗：将出现次数低于预设阈值（比如总样本量1%）的类别统一合并为「其他」类，避免生成过多无统计显著性的虚拟变量，同时进一步降低内存占用、提升回归结果可靠性。

内容的提问来源于stack exchange，提问作者Pranjal Srivastava