基于计数筛选因子变量：处理房价数据中的sub_area字段

这需求太常见了！既要保留所有房产的其他变量数据，又要剔除那些只有1个观测的sub_area水平、避免冗余计算，下面给你两种实用的R实现方案：

方案一：基础R代码（无需额外包） #

先计算每个sub_area的观测数，再定位并替换低频次区域：

# 计算每个sub_area的计数
sub_area_counts <- table(df$sub_area)
# 筛选出只有1个观测的区域
low_count_areas <- names(sub_area_counts)[sub_area_counts == 1]
# 将这些区域的sub_area值替换为NA
df$sub_area[df$sub_area %in% low_count_areas] <- NA

方案二：dplyr管道式写法（更简洁） #

如果你习惯用tidyverse系列工具，用dplyr的分组计算可以一步到位：

library(dplyr)

df <- df %>%
  group_by(sub_area) %>%
  # 当分组内观测数为1时，把sub_area设为NA，否则保留原值
  mutate(sub_area = if_else(n() == 1, NA_character_, sub_area)) %>%
  ungroup()

关键注意点 #

• 推荐用NA而非空白字符串：空白字符串会被当作一个新的factor水平，反而可能增加不必要的计算；而NA在后续lm()回归中会被自动处理——样本不会被删除，只是该sub_area变量的这个观测被标记为缺失，完全不影响beds、baths等其他变量的使用。
• 处理后你可以直接运行目标回归：lm(price ~ beds + baths + city + sub_area)，R会自动忽略sub_area为NA的观测对该变量的贡献，但保留这些样本的其他特征参与建模。

内容的提问来源于stack exchange，提问作者Macter