数据重编码：简化分类变量处理的艺术

在数据分析和处理过程中，我们经常会遇到需要将大量的分类变量简化成更少、更有意义的类别的情形。特别是在处理具有数百个分类项的列时，如何高效地进行重编码是一个常见的问题。本文将探讨如何利用R语言中的dplyr和forcats包来简化这一过程，并结合具体实例进行讲解。

问题背景

假设我们有一个数据框df，其中包含一个名为cat1的列，列内有15个不同的字符串类别：

cat1 <- LETTERS[seq(1,15)] df <- as.data.frame(cat1)

我们的目标是将这些类别重编码为三大类：(A, B, C, D, E, G, I), (F, H, J, M), (K, L, N, O)。

初始尝试

我们首先将字符串类别转换为数值型，以简化后续的操作：

df$cat2 <- as.numeric(as.factor(df$cat1))

接着尝试使用case_when函数进行重编码：

df <- df %>% mutate(cat3 = case_when(cat2 == c(1:5,7,9) ~ 1,