如何在R中通过tidyverse实现one-hot encoding 不使用caret、mltools等包

首先加载基础依赖和测试数据集：

# 加载所需包
library(tidyverse)
library(vcd)

# 载入测试数据集
data(Arthritis)

方法1：仅用dplyr+tidyr核心tidyverse包实现 #

不需要安装任何tidyverse之外的第三方包，依赖R原生的model.matrix默认生成n-1格式编码的特性实现，代码如下：

arthritis_encoded <- Arthritis %>%
  # 对所有分类列生成n-1独热编码，跳过数值列Age和ID
  mutate(
    across(where(is.factor) & !c(Age, ID), 
           ~model.matrix(~.x)[, -1, drop = FALSE] %>% as_tibble(.name_repair = "unique"))
  ) %>%
  # 展开生成的编码列
  unnest(where(is_tibble), names_sep = "_") %>%
  # 清理冗余列名字符
  rename_with(~str_remove(.x, "\\.x_"), ends_with(c("Treated", "Male", "Some", "Marked")))

执行后查看前5行结果验证：

head(arthritis_encoded, 5)

输出示例：

ID Treatment Sex Age Improved Treatment_Treated Sex_Male Improved_Some Improved_Marked
1 57   Treated Male  27     Some                 1        1             1               0
2 46   Treated Male  29     None                 1        1             0               0
3 77   Treated Male  30     None                 1        1             0               0
4 17   Treated Male  32   Marked                 1        1             0               1
5 36   Treated Male  46   Marked                 1        1             0               1

可以看到二分类的Sex仅保留1个编码列，三分类的Improved保留2个编码列，Age完全保留未参与编码，完全符合需求。

方法2：使用tidyverse生态recipes包实现 #

如果需要将编码融入机器学习预处理流水线，推荐使用tidymodels体系下的recipes包，代码更简洁可复用，默认行为就是生成n-1格式编码：

library(recipes)

# 构建预处理配方
encoding_rec <- recipe(~ ., data = Arthritis) %>%
  # 指定对所有分类列做哑变量编码，默认输出n-1个特征
  step_dummy(all_nominal_predictors()) %>%
  # 执行预处理
  prep() %>%
  # 提取处理后的数据集
  juice()

内容的提问来源于stack exchange，提问作者Eisen