字符型、数值型和因子型数据之间的转换

“ 不求做的最好，但求做的更好。”   --科白君

"小技巧"专题·第2篇

  编辑 | Dr.Cool

  3400字 |8分钟阅读

今日分享

小技巧--对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。

01

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（这里可以参考我们以前发表的推文：【R分享|实战】 新手福利~认识数据集的内在），主要可分为两类向量。一是，原子向量；二是，递归向量。我们可以借助下面这张图（黄师兄的总结）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。

02

不同数据类型之间的差异与转换

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)
# 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。

上述code的结果：

然后，我们分别以绘图和跑模型的方式对其差异进行讲解：

# 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。 

如果，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。

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；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。特别是混合效应模型。

最后，我们可以根据自己的需要对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)