入门必学 | R语言数值型、字符型及因子型数据之间的差异与转换

   常用的三种数据类型进行转换（数值型、字符型和因子型）。为什么要了解数据结构之间的差异和做对应转换呢？通常在画图和做分析时，不同情况对数据类型需求不一样，特别是新手在学习代码的时候，如果不清楚数据结构很容易造成错误。针对不同情况，根据自己的需求调整对应的数据类型，这样有助于我们更好地学习和运行code。

数据类型的基本知识

通常所有的数据我们统称为向量，针对不同数据集结构（这里可以参考之前的博客： 入门必学 | R语言数据集结构的解读指南），主要可分为两类向量。一是，原子向量；二是，递归向量。我们借助下面这张图（来自）来理解：也就是说，原子向量主要包括：logical，integer, double, character等类型，其中integer和double统称为numeric(数值型向量)。而列表通常被称为递归向量，因为它可以包含其他列表。

不同数据类型之间的差异

针对这部分内容，以代码的形式给大家分享和讲解，希望能帮助大家少走弯路。首先，我们先构造数据集，并解读数据集中不同的数据类型：

# 不同数据类型之间的差异与转换 --------------------------
# 随机构造数据集
year <- rep(2000:2021, 2)
treatment <- rep(c("ck","treat"), each = 22)
type <- factor(rep(c("a","b","c","d"), each = 11))
value1 <- sample(1:50, 44)
value2 <- round(runif(44, min = 0, max = 1), 3)
set.seed(111)
value3 <- sample(c("1","1.5","2.5","3.5","4.5","5"), 44, replace = T)
set.seed(111)
value4 <- sample(c(1,1.5,2.5,3.5,4.5,5), 44, replace = T)
# 打包数据集
dat <- data.frame(treatment, type, year, value1, value2, value3, value4)
# 查看数据结构
str(dat)

数据结果如下：

从查询的结果来看，treatment这个变量是字符型-“cha”向量；
type为因子型向量（factor）w/4表示有4个因子
year是整数-“int”数值型向量；value1与year是同样类型的数值；
value2是数值型向量；value3是字符型；value4是与v3相同值的数值型变量。

数值型与字符型或因子型绘图时的差异

我们分别以绘图和跑模型的方式来帮助大家快速理解数据类型间的差异：

# 以画图为例进行不同数据类型变量的讲解：
library(ggplot2)
ggplot(data = dat, aes(x = year, y = value1, color=treatment))+
  geom_point()+
  geom_line()+
  labs(x="year")
# 从图来看，由于year是数值型变量，画图时候会默认成连续型的所以会有间隔

# 这里我们将year改成因子型变量再对其进行展示：
ggplot(dat, aes(as.factor(year), value1, color=treatment))+
  geom_point()+
  # geom_line()+
  geom_path(group=treatment)+
  labs(x="year")
# 由于对x的变量进行了因子型转换，这个地方也是大家比较容易出错的。
# 对变量进行因子转化后，geom_line函数不能识别分组；
# 因此利用geom_path函数的分组进行绘制。

从两张图来看，结果似乎差异不大，仅仅在x轴的label上出现了差异。图1为数值型的x轴是连续的，默认为数值，并不是实际的年份，所以会出现0.5这样的年份表达。 而图2为因子型数据，因此以向量中独一无二的因子型向量为准，从而得出的结果是以1为单位，2000至2021年的表达。

• 我们将y轴用字符型的数据进行绘图，会有怎么的差异：

# 如果我们使用字符型作为我们的x轴和y轴，看看结果如何；
ggplot(dat, aes(treatment, value3, fill = type))+
 geom_bar(stat = "identity", position = "dodge")

# 用相同的数值，但是不同的数据类型y，比较两者差异
ggplot(dat, aes(treatment, value4, fill = type))+
  geom_bar(stat = "identity", position = "dodge")

从两个结果来看，存在明显差异。如果是数值型向量，柱状图会默认展示一个总的柱状图；而如果是字符型向量，可以把每一个值都看作是个体，展示所有的情况。

数值型与因子型和字符型的模型构建时的差异

接下来，我们从模型方面来理解，这里以最简单的线性模型为例：

# 如果自变量为数值型
fit1 <- lm(value1 ~ year, data=dat)
summary(fit1)

# 如果自变量为因子型
fit2 <- lm(value1~ as.factor(year), data=dat)
summary(fit2)

# 如果自变量为字符型
fit3 <- lm(value1~ as.character(year), data=dat)
summary(fit3)

• 当自变量为数值型时：
  

• 当自变量为因子型时：
  

• 当自变量为字符型时：
  
  从这里可以看出当自变量为因子型或者字符型时，会将每个年份都作为一个个体与因变量做拟合；而数值型是一个总体。并且，需要考虑当用其他更加复杂的模型，如果是字符型或因子型会延长模型的计算时间，也会影响模型的准确性（特别是混合效应模型）。

三种数据类型之间进行转换

# 三种数据类型之间的转换 -------------------------------------------------------------
# 如何将因子(factor)类型里的数值转换对应的数值型呢？
# 有两种方式
# 首先对year数值型变量转化成因子型（这个只是为了做个示范，如果本身有因子型就不需要再做转换）
dat$year <- factor(dat$year)
class(dat$year)
# 然后再尝试将其转化数值
year <- as.numeric(as.character(dat$year))
class(year)
# y1 <- as.numeric(levels(dat$year)[dat$year])
# class(y1)
# 因子型转数值型的思路：先转换成字符型然后再转换成数值型。

# 如何将字符型的数值转换对应的数值型？
v3_num <- as.data.frame(lapply(dat$value3,as.numeric))
str(v3_num)
# 我们查看结果发现是转化了但是变成了1行N列的值
# 需要对其进行转置
# 由于转置之后数据框变成了矩阵，用data.frame把矩阵又变回数据框
# 同时在转数据框的时候一定要加上stringsAsFactors = F
v3_t <- t(v3_num)
v3_t_num <- data.frame(v3_t, stringsAsFactors = F)
dat$v3 <- v3_t_num$v3_t
str(dat)
# 最后可以看到v3的结果和value4的结果是一样的，说明成功了。

# 如何对字符型和因子型进行互转？
# 将字符型转换成因子型
value3 <- as.character(dat$value3)
class(value3)

# 将因子型转换成字符型
value3_1 <- factor(value3)
class(value3_1)

如果是需要使用批量字符替换及数值比较并赋值的，可以参考之前发表的一篇博客：自定义函数 | R语言批量字符替换、数值大小比较并赋值