dplyr::filter筛选iris返回0行原因及factor与哑变量概念疑问

筛选返回0行的核心原因 #

dplyr::filter的第二个参数采用非标准求值（NSE）机制，会直接从传入的数据框中检索列名对应的变量，不需要给列名加引号。你给Species加上引号后，表达式"Species" == "setosa"就变成了两个字符串常量的比较，显然字符串"Species"和"setosa"不相等，整体返回单个逻辑值FALSE，filter会认为所有行都不满足条件，因此返回0行。同理"Species" == 1是字符串和数值比较，结果同样为FALSE，也返回0行。

两类写法的核心差异 #

• 错误写法的核心问题是给列名加了引号，没有实际读取数据框中Species列的数值，只是在做无意义的常量比较
• 能正常运行的写法中，Species没有加引号，dplyr可以正确读取iris数据框中对应列的数值做判断。这里的as.factor(Species)属于冗余操作，因为iris的Species列本身就是factor类型，你直接写以下代码也能得到正确结果：

data("iris")
filter_data <- dplyr::filter(iris, Species == "setosa")
print(filter_data)

• R完全可以自动识别factor类型变量，你的错误和factor识别无关，只是列名的引号使用错误。

factor与哑变量的概念区分 #

1. factor是R特有的基础数据类型，用于存储分类变量，内部同时存储了**类别标签（水平值）**和对应的整数编码，比如iris的Species列的水平是setosa/versicolor/virginica，对应整数编码1/2/3。
2. 哑变量（dummy variable）是统计建模中处理分类变量的通用编码方式，通常是0/1取值的二值变量，用于表示分类变量是否属于某一类别。
3. 你在lm/glm中传入factor类型变量时，R会自动对其做哑变量编码：默认采用treatment编码，以第一个水平为参照组，n个水平的factor会生成n-1个哑变量，每个哑变量代表是否属于对应水平。注意：这个自动转换和你直接用as.numeric(Species)得到的整数编码完全不同：as.numeric得到的是1/2/3的有序整数，直接扔进模型会被当成连续数值处理，默认假设分类变量的各个类别之间存在相等的间隔效应，这和哑变量处理无序分类变量的逻辑完全不同。

内容的提问来源于stack exchange，提问作者Alex