如何自动识别数据集因子列并拆分生成二进制列？

我完全理解你现在的需求——处理一个包含大量因子列的数据集，把每个因子变量拆成二进制（独热编码）列对吧？用starwars做测试样例的思路也很赞，我给你整理两种实用的方法，不管是用base R还是tidyverse工具链都能搞定：

这种方法不需要额外安装包，适合不想依赖第三方库的场景：

1. 先识别数据集中的因子列
   首先我们可以用sapply遍历所有列，筛选出类型为因子的列：

   data <- starwars
   # 先把starwars里的部分字符列转成因子，模拟你的数据集情况
   data <- transform(data, 
                     gender = as.factor(gender),
                     hair_color = as.factor(hair_color),
                     eye_color = as.factor(eye_color))
   
   # 识别因子列
   factor_cols <- names(data)[sapply(data, is.factor)]
   

2. 生成每个因子列的二进制编码
   用model.matrix生成独热编码，通过~ . -1去掉截距项（避免多重共线性），同时给新列加上原因子列名作为前缀，方便识别：

   binary_list <- lapply(factor_cols, function(col_name) {
     # 生成独热编码矩阵
     mm <- model.matrix(~ . - 1, data = data[col_name])
     # 重命名列，格式为「原列名_水平值」
     colnames(mm) <- paste(col_name, colnames(mm), sep = "_")
     mm
   })
   

3. 合并非因子列和二进制列
   把原来的非因子列和生成的二进制列合并成最终数据集：

   # 提取非因子列
   non_factor_data <- data[, !names(data) %in% factor_cols, drop = FALSE]
   # 合并所有二进制列和非因子列
   final_data <- cbind(non_factor_data, do.call(cbind, binary_list))
   

如果你需要处理大量因子列（比如你说的43个），这个方法更简洁高效，fastDummies包专门用来做独热编码：

1. 安装并加载所需包

   # 第一次使用先安装包
   install.packages("fastDummies")
   library(fastDummies)
   library(dplyr)
   

2. 一键生成独热编码
   用dummy_cols函数可以自动识别（或指定）因子列，生成二进制列并移除原因子列：

   data <- starwars %>%
     mutate(across(c(gender, hair_color, eye_color), as.factor))
   
   # 自动处理所有因子列，移除原因子列，同时可以处理NA
   final_data <- dummy_cols(data, 
                            select_columns = factor_cols,  # 可选：指定要处理的列，不填则自动识别所有因子/字符列
                            remove_selected_columns = TRUE,  # 移除原来的因子列
                            dummy_na = TRUE)  # 为NA值生成单独的二进制列，按需开启
   

注意事项 #

• 如果你数据集里的因子列有很多水平（比如最多15个），生成的二进制列总数会是所有因子水平的总和，要注意内存占用情况；
• model.matrix默认会忽略NA值，而fastDummies可以通过dummy_na=TRUE专门为NA生成一列，适合需要保留NA信息的场景；
• 如果你不想保留原非因子列的某些列，可以在合并前先筛选掉。

内容的提问来源于stack exchange，提问作者Michael Cantrall