R语言读取因子变量时水平数与实际不符问题求解

核心原因 #

转换因子后出现多余水平，是因为第二列字符值存在不可见空白字符（如单元格前后尾随空格、制表符残留），你提供的示例数据中H值就存在末尾空格，会被R识别为"H"和"H "两个不同值，最终导致水平数超出预期。

解决方法 #

读入数据时直接处理 #

使用基础包read.table/read.csv系列函数读入时，添加strip.white = TRUE参数，自动清除列值前后的多余空格：
df <- read.table("你的文件路径.txt", header = TRUE, strip.white = TRUE, stringsAsFactors = FALSE)

已读入数据的处理 #

如果数据已经导入R环境，先用trimws()函数清除目标列的前后空白，再转换为因子即可：

# 清除第二列空白字符
df$Cloumn2 <- trimws(df$Cloumn2)
# 转换为因子
df$Cloumn2 <- factor(df$Cloumn2)
# 验证水平数
nlevels(df$Cloumn2)

特殊不可见字符清理 #

如果常规清理后仍有多余水平，可使用stringi包的stri_trim_both()函数处理全角空格、特殊不可见字符：

library(stringi)
df$Cloumn2 <- stri_trim_both(df$Cloumn2)
df$Cloumn2 <- factor(df$Cloumn2)

内容的提问来源于stack exchange，提问作者Marwah Al-kaabi