大部分模型都是可以支持因子里面有连续性和类别型的数据的，lasso我印象中也不例外，应该是不需要另作哑变量处理的，但是时间长了，记不清楚了。
如果要权威一点，可以参考一下introduction to statistical learning
你进我的主页，可以看到我以前分享过这本书，以及Trevor Hastie的视频的
我非常确定，对你会很有帮助

恶 ，好的，谢谢

最后一点不明白，w=rep(c("UseA","UseB","UseC"),each=40)，这是固定每种重复40次，是0-40是UseA，41-80是UseB，81-120是UseC。但在实际应用中，并没有规律，数据不会出现这种情况，比如哑变量用途(0-其他债务,1-信用卡债务,2-房贷债务)：1,2,0,1,1,2,1,0,0,……,1，像这种情况是怎么处理的呢？谢谢

最后一点不明白，w=rep(c("UseA","UseB","UseC"),each=40)，这是固定每种重复40次，是0-40是UseA，41-80是UseB，81-120是UseC。但在实际应用中，并没有规律，数据不会出现这种情况，比如哑变量用途(0-其他债务,1-信用卡债务,2-房贷债务)：1,2,0,1,1,2,1,0,0,……,1，像这种情况是怎么处理的呢？谢谢

正常数据肯定不会像这样有规律的
但是不管怎样，都是不影响你处理建模的

是，那这块处理哑元的代码是怎么去修改？我是从csv文件读取一列(哑元变量)

w=read.csv("sucessBackup.csv")
你看下面这样处理哑变量u，对吗？
x=as.matrix(w[,3])
#u=levels(w$Purpose)
u=factor(as.matrix(w[,2]))# 哑元  用途
y=as.matrix(w[,1])
fit.lm<-lm(y~x+u)
summary(fit.lm)

Call:
lm(formula = y ~ x + u)

Residuals:
     Min       1Q   Median       3Q      Max
-0.57750 -0.24998  0.09995  0.20843  0.48489

运行结果；
Coefficients:
             Estimate Std. Error t value Pr(>|t|)   
(Intercept)  0.568173   0.079435   7.153 2.14e-12 ***
x            0.004151   0.025594   0.162    0.871   
u1           0.001845   0.081491   0.023    0.982   
u2          -0.020469   0.079397  -0.258    0.797   
u3          -0.055806   0.086323  -0.646    0.518   
u4          -0.087844   0.102627  -0.856    0.392   
u5          -0.059861   0.091266  -0.656    0.512   
u6          -0.107701   0.087222  -1.235    0.217   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.3003 on 702 degrees of freedom
Multiple R-squared:  0.01075,   Adjusted R-squared:  0.0008896
F-statistic:  1.09 on 7 and 702 DF,  p-value: 0.3676

glm、lasso可以，但是logistic回归可以吗

哈喽哥们,我也是你这么想的,是在后面formula  y~x+factor(w),这么处理的,但是我纳闷的是结果和SPSS的不一致 这很让我痛苦

只是个例子，才会重复40次。  实际就是乱序的。