R中多分类变量转因子及神经网络字符串分类编码问题

处理这类批量转换需求，我一般用两种方法，看你习惯用base R还是tidyverse工具包：

• Base R 原生方法：用lapply遍历数据框的指定列，结合as.factor转换。比如你有一个数据框df，其中列col1、col2、col3是分类变量，代码如下：

  # 假设df是你的数据框，指定要转换的列名
  cols_to_convert <- c("col1", "col2", "col3")
  df[cols_to_convert] <- lapply(df[cols_to_convert], as.factor)
  

  这样就能一次性把多个列转成因子类型，非常直观。

• tidyverse 方法（推荐，代码更易读）：用dplyr的mutate(across(...))（新版dplyr推荐写法）。示例代码：

  library(dplyr)
  
  # 转换指定列
  df <- df %>%
    mutate(across(c(col1, col2, col3), as.factor))
  
  # 如果要自动转换所有字符型列（默认字符列多为分类变量），可以这样：
  df <- df %>%
    mutate(across(where(is.character), as.factor))
  

  这种方法更灵活，尤其是当你不确定哪些列是分类变量时，用where(is.character)能自动识别转换。

这类长字符串（比如QWERTGCD、AWERTKRD）本质是分类变量，核心思路是给每个唯一字符串分配一个唯一数值ID——R里的因子内部就是用整数存储的，刚好能满足需求。我常用的几种实现方式：

方法1：因子转整数（最直接） #

# 假设你的数据列是df$string_col
df$numeric_cat <- as.integer(as.factor(df$string_col))

每个唯一字符串会被映射成从1开始的整数。如果要查看字符串和数值的对应关系，直接用levels(as.factor(df$string_col))，输出顺序就是数值1、2、3...对应的字符串。

方法2：用match自定义映射（更灵活） #

如果你想让数值从0开始（适配神经网络输入的常见要求），可以用match结合unique手动控制：

# 获取所有唯一的字符串
unique_strings <- unique(df$string_col)
# 给每个字符串分配从0开始的数值
df$numeric_cat <- match(df$string_col, unique_strings) - 1

这种方法还能手动调整unique_strings的顺序，比如把高频字符串对应到小数值，方便后续处理。

方法3：tidyverse 链式写法（保持代码风格统一） #

如果你习惯用dplyr，也可以这么写：

library(dplyr)

df <- df %>%
  mutate(numeric_cat = as.integer(factor(string_col)))

# 或者自定义起始值：
df <- df %>%
  mutate(
    unique_str = unique(string_col),
    numeric_cat = match(string_col, unique_str) - 1
  ) %>%
  select(-unique_str)  # 移除临时生成的列

另外要注意：如果字符串存在大小写差异（比如"QWERTGCD"和"qwertgcd"），R会把它们当成不同分类。如果需要忽略大小写，可以先统一转换：

df$string_col <- toupper(df$string_col)  # 全部转大写，或者用tolower转小写

内容的提问来源于stack exchange，提问作者TheDeezer