在管理学研究中，创建新变量是数据预处理的重要步骤。以下是使用R语言进行新变量管理的详细方法，结合了基础操作和高效工具：
一、基础操作方法
使用`mutate`函数（dplyr包） `dplyr`是R语言中功能强大的数据操作包，`mutate`函数可方便地创建新变量。例如：
```R
library(dplyr)
假设有数据框df，包含变量age和gender
df <- df %>%
mutate(age_group = case_when(
age < 30 ~ "Young",
age >= 30 & age < 65 ~ "Adult",
age >= 65 ~ "Senior"
))
```
以上代码根据年龄将变量`age`转换为分类变量`age_group`。
使用`ifelse`函数
对于简单的条件判断，`ifelse`函数适用性广。例如：
```R
df$income_level <- ifelse(df$annual_income < 50000, "Low",
ifelse(df$annual_income < 100000, "Medium", "High"))
```
二、高效工具与函数
`case_when`函数
适用于多条件分支的场景，比多个`ifelse`更简洁。例如：
```R
df$income_level <- case_when(
annual_income < 50000 ~ "Low",
annual_income < 100000 ~ "Medium",
TRUE ~ "High" 默认情况
)
```
`mutate`与`across`函数
`across`函数可并行地对多个变量应用操作。例如，将所有数值变量平方：
```R
df <- df %>%
mutate(across(c(var1, var2, var3), ~ as.numeric(.)^2))
```
`scale`函数标准化
对数值变量进行标准化处理：
```R
df <- df %>%
mutate(standardized_score = scale(continuous_vars))
```
其中`continuous_vars`是数值变量的向量名。
三、注意事项
数据类型转换： 使用`as.numeric（）`、`factor（）`等函数确保变量类型正确； 缺失值处理
函数链操作：使用`%>%`操作符实现链式调用，提高代码可读性。
通过以上方法，可高效地管理新变量，为后续分析奠定基础。若需进一步处理（如汇总、筛选），可结合`group_by`、`summarize`等函数扩展操作。