独热编码生成的分类衍生变量如何汇总以执行PCA主成分分析

首先明确两个核心前提：

1. 标准PCA仅支持数值型变量输入，直接放入原始分类因子变量无法运行，你不需要将独热编码转回原始分类变量再跑PCA
2. 如果需要同时处理数值+分类混合类型数据，更推荐使用适配混合数据的FAMD（多因子分析），无需提前做独热编码

方案1：直接使用独热编码结果跑PCA（最常用） #

操作步骤如下：

• 预处理规避共线性问题：k个取值的分类变量生成k个独热编码变量会存在完全共线性，你可以每类分类变量删除1个作为参考水平的衍生变量，比如床型变量可以删掉V1_Airbed，剩下3个哑变量即可
• 拼接全量数值矩阵：将所有处理后的独热编码变量、原始数值变量按列拼接为完整矩阵，示例代码：

  # 拼接床型、房间类型等所有独热编码变量+原始数值变量
  pca_input <- cbind(df_mw_neu_bed[, -1], # 删掉参考水平的床型变量
                     df_mw_neu_roomtype[, -1], # 删掉参考水平的房间类型变量
                     其他数值变量数据框)
  

• 执行PCA：如果已经提前做过标准化，直接运行即可：

  pca_res <- prcomp(pca_input, scale. = FALSE)
  

• 结果解读：看载荷矩阵时按原始变量前缀分组即可，比如所有V1_开头的变量对应床型的贡献，所有V2_开头的变量对应房间类型的贡献，不需要提前做变量分组的结构处理。

方案2：转回原始分类变量后用FAMD分析（结果更易解读） #

如果你希望用原始分类变量的维度做分析，可以先把独热编码转回原始因子变量，再跑FAMD：

• 独热编码转回原始因子的代码示例（以床型为例）：

  df$beds <- factor(names(df_mw_neu_bed)[max.col(df_mw_neu_bed)],
                    levels = c("Airbed", "Couch", "Futon", "Real"))
  

  所有分类变量都按以上逻辑转回后，和原始数值变量拼接为包含混合类型的全数据集
• 用FactoMineR包的FAMD函数直接分析混合数据：

  library(FactoMineR)
  famd_res <- FAMD(全数据集, ncp = 5)
  

  FAMD会自动处理分类变量的编码逻辑，输出结果会直接给出每个原始变量（不管是数值还是分类）对主成分的贡献，不需要手动处理哑变量分组。

方案3：分块PCA（匹配你提到的子列分组需求） #

如果你需要明确按原始变量分组计算贡献，可以使用分块PCA方法，将每个原始分类变量对应的所有独热编码变量作为一个独立块、数值变量作为单独块，用ade4包实现：

library(ade4)
# 定义变量块，比如床型为第一个块，房间类型为第二个块，数值变量为第三个块
blocks <- list(bed = df_mw_neu_bed, roomtype = df_mw_neu_roomtype, numeric = 数值变量数据框)
block_pca <- dudi.pca(blocks, scale = FALSE, scannf = FALSE, nf = 5)

输出结果会直接给出每个块的贡献度，完全匹配你想要的子列分组需求。

内容的提问来源于stack exchange，提问作者Sarah