R中含字符变量数据集使用scale函数及后续聚类分析相关问题

scale() 函数仅支持对全数值类型的矩阵或数据框做Z-score标准化，只要数据集中存在1列及以上的字符、因子等非数值类型字段，就会触发这个错误。

小提示：如果你是直接运行示例代码scale(USArrests)出现该报错，说明你之前不小心修改了R内置的USArrests数据集，重启R会话后重新运行即可恢复正常。

1. 排查非数值列 #

先确认你的数据集中哪些列是非数值类型：

# 查看所有列的类型
str(你的数据集名称)
# 直接输出非数值列的列名
non_num_cols <- names(which(sapply(你的数据集名称, function(x) !is.numeric(x))))
non_num_cols

2. 处理非数值列 #

根据非数值列的业务意义选择处理方式：

• 如果是用户ID、地区名称这类无聚类参考价值的标识类字段，直接删除即可，仅保留数值列：

# 提取所有数值列生成新数据集
df_num <- 你的数据集名称[, sapply(你的数据集名称, is.numeric)]

• 如果是性别、产品类型这类有聚类价值的分类字段，需要先编码为数值：
  • 无序分类变量（比如省份、职业，各取值无高低等级之分）：用独热编码处理，推荐用fastDummies包快速实现：

  # 首次使用先安装包
  install.packages("fastDummies")
  library(fastDummies)
  # 自动对所有分类列做独热编码，删除原始分类列
  df_encode <- dummy_cols(你的数据集名称, remove_selected_columns = TRUE)
  

  • 有序分类变量（比如收入等级：低/中/高，满意度：差/一般/好，有明确等级顺序）：可以按等级映射为连续数值，保留等级信息：

  # 示例：将收入等级列转为数值
  你的数据集名称$income_level <- factor(你的数据集名称$income_level, levels = c("低", "中", "高"), labels = c(1,2,3))
  你的数据集名称$income_level <- as.numeric(as.character(你的数据集名称$income_level))
  

3. 执行标准化和聚类 #

处理得到全数值数据集后，即可正常运行标准化和kmeans聚类：

# 标准化，注意替换为你处理后的全数值数据集名称
df_scaled <- scale(df_num)
# 运行kmeans聚类
km.res <- kmeans(df_scaled, 4, nstart = 10)

• 标准化前建议先检查缺失值，可通过sum(is.na(你的数据集名称))查看缺失值数量，存在缺失值时可以用na.omit()删除缺失行，或者用列均值/中位数填充，否则scale()也会运行报错。
• 如果你用了独热编码，且分类变量的取值非常多，建议先做特征筛选再聚类，避免维度过高影响聚类效果。

内容的提问来源于stack exchange，提问作者MJ_vdH