R语言：按连续变量均值重命名分类变量的实现方法

核心实现逻辑为自动生成「原分类标签-新升序编号」的映射关系，全程无需手动维护重命名规则，适配任意数量的多分类场景，避免硬编码导致的维护成本。

常规通用实现（基于tidyverse） #

全程自动完成映射生成、标签替换，分类数量从2到上万都可以直接运行，无需修改代码：

library(tidyverse)
set.seed(123)
temp <- data.frame(label = as.factor(c(rep(1,5),rep(2,5))), 
                   number = c(runif(5, min =5, max = 12), runif(5,min = 3,max = 8)) ) %>% tibble()

# 1. 自动生成原标签到新顺序标签的映射表
label_mapping <- temp %>%
  group_by(label) %>%
  # 计算每个原分类对应的连续变量均值
  summarise(mean_val = mean(number), .groups = "drop") %>%
  # 按均值从小到大排序，自动生成升序编号
  arrange(mean_val) %>%
  mutate(new_label = row_number() %>% as.factor())

# 查看映射验证逻辑：
# > label_mapping
# # A tibble: 2 × 3
#   label mean_val new_label
#   <fct>    <dbl> <fct>    
# 1 2         5.47 1        
# 2 1         9.63 2        

# 2. 将映射合并回原数据，完成标签替换
temp_final <- temp %>%
  left_join(label_mapping %>% select(label, new_label), by = "label")

运行后输出结果完全匹配需求：原均值更低的标签2被分配为新编号1，原标签1被分配为新编号2，无需手动对应映射关系。

超大规模多分类场景优化 #

当分类标签数量极多（如上千、上万个分类）、数据行数较大时，上述left_join逻辑的性能会有损耗，可改用因子层级重排的方案，利用R底层C实现的因子操作提升运行效率：

# 第一步：获取按均值升序排列的原标签向量
sorted_labels <- temp %>%
  group_by(label) %>%
  summarise(mean_val = mean(number), .groups = "drop") %>%
  arrange(mean_val) %>%
  pull(label)

# 第二步：直接基于因子层级生成新编号，无需逐行合并
temp_final$new_label <- factor(temp_final$label, levels = sorted_labels) %>%
  as.integer() %>% # 提取层级的自然顺序号，即为均值升序的编号
  as.factor()

该方案的运行速度比left_join方案快1~2个数量级，可轻松支撑百万行数据、上万分类的计算场景。

落地注意事项 #

• 若存在多个分类的均值完全相等，可在arrange(mean_val)中增加辅助排序键（如arrange(mean_val, label)），避免相同均值的分类排序随机，保证结果可复现。
• 若新标签不需要保留因子类型，可去掉最后一步的as.factor()，直接存储为数值型顺序号即可。
• 整套逻辑对字符型分类标签完全通用，无需额外调整代码。

内容的提问来源于stack exchange，提问作者jpetot