在 dplyr/ggplot2 中使用因子與字符和 integer 與雙列

Question

我正在設置一個管道來導入、格式化、規范化和 plot 一堆數據集。 該管道將嚴重依賴 tidyverse 解決方案（dplyr 和 ggplot2）。

在輸入/格式步驟中，我想決定是否/何時在包含字母的各個列中使用因子與字符。 同樣，我需要決定是否應該將數值列指定為整數（在合理的情況下）或使用雙精度。

我的直覺是，默認情況下我應該只使用字符和雙精度。 速度和空間都不是問題，因為生成的數據集相對較小（最大約 20 x 10,000），所以我認為這會給我最大的靈活性。 走這條路有缺點嗎？

Answer 1

在大多數用例中，性能不應該是一個問題，標准是變量的含義。

因素與性格

如果您的數據只是沒有特定含義的字符串，請使用字符； 如果它是具有一組有限值的分類變量，則使用因子。 使用因子的主要優點是：

1. 如果您嘗試提供不在級別中的新值，則會出現錯誤（這樣可以避免拼寫錯誤）
2. 您可以對級別下訂單並獲得有序因子
3. 某些函數（尤其是在建模時）需要明確的分類變量因子
4. 您讓讀者清楚這些不是隨機字符串。

Integer 與雙

如果您知道您的列將只包含 integer 值，那么 integer 可能是更好的選擇。 事實上，雙精度數的計算可能會產生一些數字錯誤，在某些情況下，您最終可能會得到26.0000000001 != 26 。 另外，一些包可能知道輸入的類型（雖然我想不出任何例子）。

對於大數字（超過2e31 ），整數將無法存儲它們，而雙精度數仍將正常運行。

as.integer(2147483647)
#> [1] 2147483647
as.integer(2147483648)
#> [1] NA
#> Warning message:
#> NAs introduced by coercion to integer range 

但是當數字變得更大時，雙打也將開始失去有效數字：

1234578901234567890 == 1234578901234567891
#> [1] TRUE

總的來說，我認為這在實踐中並沒有太大的不同，使用 integer 類型可以向讀者和程序發出信號，如果該列中有十進制數，則出現問題。