1.3 数据类型与向量：给证据分类编目

1.3 数据类型与向量：给证据分类编目

本节摘要：向量是 R 最小的证据单元，数据类型是证据的编目规则。本节讲清数值、字符、逻辑、因子四种类型与向量、列表、矩阵、数据框四种容器的对应关系，并回答一个问题：鸢尾花的物种名为什么必须是因子。

从一个翻车现场说起

新手最常见的事故长这样：

x <- c(5.1, 4.9, "4.7")   # 想放三个测量值
x + 1                      # 报错：non-numeric argument
​

原因：向量内部只能装同一种类型。混进一个带引号的字符，整条向量被"降级"成字符型，算术运算当场失效。这不是 bug，是 R 的编目铁律——证据要么全是数值，要么全是文字，混装必翻车。

class(c(5.1, 4.9))        # numeric
class(c(5.1, "4.7"))      # character —— 整条被拖下水
​

四类证据、四种容器

向量之上还有三件容器：列表（list）什么类型都能装，像杂项证物袋；矩阵（matrix）二维但全表同类型，像整页都是数字的测量表；数据框（data.frame）每列各自一个类型，列是向量——这正是现实案卷的形状：既有测量值又有物种名。

# 一个微型案卷：三列三种类型，拼成一个数据框
mini <- data.frame(
  株号   = 1:3,
  花瓣长 = c(1.4, 4.7, 5.0),
  物种   = factor(c("setosa", "versicolor", "virginica"))
)
str(mini)
​

物种名为什么要编成因子

s <- iris$Species
class(s)          # factor
levels(s)         # 三个在册水平
as.numeric(s)[1:3]  # 底层是 1 1 1 —— setosa 存的是编号
​

因子在底层存的是整数编号加一张"水平表"。这样设计有两条实际好处：绘图时图例顺序稳定可控；建模时分类变量能被 lm、glm 直接识别成哑变量组。如果物种只是字符，很多统计函数要么报错要么结果不对。

证据编目关系图

向量的基本手法

v <- c(5.1, 4.9, 4.7, 4.6, 5.0)
v[1]          # 取第 1 条证据（R 从 1 数起）
v[c(1, 3)]    # 取第 1、3 条
v[v > 4.8]    # 条件筛选：只留大于 4.8 的
v * 2         # 向量化运算：整条同算，不用写循环
​

向量化是 R 的母语：能对整条向量一次操作的，就不要写 for 循环逐个处理。这一点在第 3 章讲编程基础时还会展开。

⚠️ 常见坑：R 的下标从 1 开始，不是 0。从 Python 转过来的侦探尤其要留神，v[0] 不会报错，只会悄悄返回一个空向量——这种"无声错误"比报错更危险。

完整演练：一次类型事故的全程复盘

把类型知识串起来用一遍。案情：实习生把一批花瓣宽度从 Excel 抄进 R，画直方图时报错。复现并修好它：

# 第一步：复现事故
w <- c("0.2", "0.3", "0.5", "0.2", "0.4")
hist(w)
# 报错：x must be numeric —— 抄录时全带上了引号

# 第二步：验明正身，再转型
class(w)            # character
w_num <- as.numeric(w)
class(w_num)        # numeric
mean(w_num)         # 0.32，恢复正常运算

# 第三步：转型前必须排查无法转的取值
bad <- c("0.2", "0.3", "缺", "0.4")
as.numeric(bad)
# 警告：NAs introduced by coercion
# 输出：0.2 0.3 NA 0.4 —— "缺"被转成 NA，务必数清丢了多少
sum(is.na(as.numeric(bad)))   # 1
​

复盘要点：类型转换永远不是"转完就完"，as.numeric 遇到转不动的取值会静默塞 NA，只给一条警告。养成"转换后立刻数 NA"的习惯，能挡住一大批数据丢失事故。

类型判断与转换速查

NA 的传染性值得单独记一笔：任何含 NA 的向量做 mean、sum 都会返回 NA，必须加 na.rm = TRUE 才能跳过缺失继续算——这个参数在第 2 章清洗时会天天用。

因子的进阶操作：排序、重编码、事故现场

# 水平顺序重排：让 setosa 打头（默认按字典序碰巧也是它）
s <- factor(iris$Species, levels = c("setosa", "versicolor", "virginica"))
levels(s)

# 重编码：把三水平并成两水平（原产地 vs 其余）
s2 <- iris$Species
levels(s2) <- list(setosa = "setosa", other = c("versicolor", "virginica"))
table(s2)
#   setosa    other
#       50      100

# 事故现场：忘了 drop，图例里挂着没数据的空水平
s3 <- iris$Species[iris$Species == "setosa"]
table(s3)              # 只剩 50 个 setosa
levels(s3)             # 但水平表仍是 3 个
droplevels(s3) |> table()   # 正式清掉空水平
​

最后一段是绘图时的高频事故：筛完子集直接画图，图例里出现一个零计数水平。droplevels 是子集化后的标准收尾动作。

💡 概念辨析：字符串做"标签"，因子做"分类"。标签只要求写对，分类还要求在册、可排序、可计数。当一列文字要进模型、要控图例顺序、要做频数检验时，就该是因子。

本节要点回顾

• 向量同类型铁律：混装字符会把整条向量拖成 character
• 数据框 = 若干带类型向量的拼合：str 的输出就是逐列报类型
• 因子是在册类别：底层整数编号 + 水平表，建模与绘图的正式身份
• 下标从 1 起：v[0] 静默返回空值，小心无声翻车
• 向量化优先：整条同算是 R 的惯用手法