01 · R 语言数据类型与相应运算

1 变量与类型检查

在 R 里可以把“变量”理解成给一块数据贴上的标签：把一个数值、字符或逻辑值存到某个名字下面，后面就可以一直用这个名字来引用它。在中医药数据里，剂量、药名、是否复诊、证型 等信息，都会被存成不同类型的变量。掌握如何创建变量、以及用函数检查它们的类型，是后面一切数据分析的起点。

1.1 创建变量（把数据存到名字里）

# 在中医处方数据里，“剂量”通常是数值
dose_g <- 10

# “药名”是字符
herb <- "黄芪"

# “是否复诊”可以用逻辑
revisit <- TRUE

1.2 类型查看函数

class(dose_g)
typeof(dose_g)
str(dose_g)

class(herb)
class(revisit)

2 数值：剂量与运算

数值型是医学数据中最常见的一类，包括药物剂量、体温、血压、实验室检验值、疗程天数等。R 里所有的数值最终都会以向量的形式存在，可以是一个数，也可以是一整列数据。熟悉整数/小数的表示方式，以及四则运算、取余、幂运算等，是进行剂量计算、指标换算和各种统计量（均值、方差、标准差）分析的基础。

2.1 整数（integer）与小数（double）

R 里 1 默认是小数类型（double），想表示整数可以写 1L。

x <- 1
class(x)     # "numeric"（通常是 double）

i <- 1L
class(i)     # "integer"

2.2 常用运算（剂量/天数/分次）

# 假设：黄芪 30g，分 2 次
huangqi_g <- 30
times_per_day <- 2
each_time_g <- huangqi_g / times_per_day
each_time_g

# 取余：比如 7 天为一疗程，15 天能完整做几疗程？剩几天？
days <- 15
days %/% 7  # 完整疗程数
days %% 7   # 剩余天数

2.3 数值向量与“向量化运算”（一次算一串）

# 一张处方里 5 味药的剂量（单位 g）
doses <- c(15, 10, 6, 12, 3)

# 全部剂量加 1g（比如统一加量做对照）
doses + 1

# 计算每味药占总剂量的比例
doses / sum(doses)

3 逻辑：筛选条件（TRUE / FALSE）

逻辑型变量只取 TRUE / FALSE（以及可能的缺失 NA），在医学数据中常用于表示“是否”类信息，例如“是否合并糖尿病”“是否为女性”“是否完成随访”等。比较运算和逻辑运算（>=、&、| 等）会生成一整列 TRUE/FALSE，配合下标就能完成数据筛选，是做“按条件取子集”的核心工具。

3.1 比较运算：会得到 TRUE/FALSE

age <- c(18, 20, 19, 22)
age >= 20

doses > 10
doses == 10

3.2 & 与 && 的区别

& 对向量逐个比较；&& 只看第一个元素（常用于 if）。

c(TRUE, FALSE) & c(TRUE, TRUE)
c(TRUE, FALSE) && c(TRUE, TRUE)

4 字符：药名与文本处理（character）

字符型变量用于存放文本信息，例如中药名、方剂名、证型描述、主诉和诊断等。和 Excel 一样，R 也可以对字符串做拼接、替换、截取等操作；配合正则表达式和 stringr 这类包，还能从中医病案全文中批量提取药名、剂量、证型标签，为后续结构化建库和文本挖掘做准备。

4.1 拼接与长度

herbs <- c("黄芪", "当归", "党参")
nchar(herbs)                 # 每个药名的字数
paste(herbs, "10g")          # 拼接（默认有空格）
paste0(herbs, "_10g")        # 拼接（不加空格）

4.2 替换与截取

s <- "当归 10g"
gsub("10g", "12g", s)
substr(s, 1, 2)              # 截取前 2 个字符

4.3 字符转数值（能转就转，不能转就 NA）

as.numeric("12")     # 12
as.numeric("12g")    # NA（转不了）

5 因子：证型分类（factor）

factor 专门用来表示“类别”型数据，是做统计建模时非常关键的一种类型。像 性别（男/女）、证型（气虚/血虚/痰湿/湿热…）、分组（对照/实验） 等，都适合存成因子而不是普通字符。因子带有 levels（水平）和可能的顺序关系（有序因子），很多统计函数会根据这些水平自动生成分组统计或虚拟变量。

5.1 levels 与频数

# 证型（分类变量）
zheng <- factor(c("气虚", "血虚", "气虚", "湿热", "气虚"))
levels(zheng)
table(zheng)   # 每类出现几次

5.2 因子常见坑：别把因子当字符串乱拼

z <- factor(c("A", "B", "A"))
paste0("组别=", z)              # 会工作，但很多文本处理建议先转字符
paste0("组别=", as.character(z))

6 缺失值：NA（真实临床数据非常常见）

真实世界的医学数据几乎不可能“完完整整”，量血压忘记记录舒张压、实验室报告缺乏某项指标、随访病人失访，这些都需要在 R 中用 NA 来表示“缺失”。一旦数据里出现 NA，很多运算（如 mean、sum）默认都会给出 NA 作为结果，因此要学会先用 is.na() 找出缺失，再用 na.rm = TRUE 或其他方法进行恰当处理。

6.1 is.na：找出缺失

# 比如：某味药剂量未记录
doses2 <- c(10, NA, 6, 12)
is.na(doses2)
sum(is.na(doses2))

6.2 na.rm：统计时忽略 NA

mean(doses2)                 # NA
mean(doses2, na.rm = TRUE)   # 正常数值

7 常见容器：用“处方表”理解 vector / list / data.frame

到目前为止出现的各种类型（数值、字符、逻辑、因子）最终都要放进“容器”里，才构成完整的数据结构。在 R 中，最常用的三种基础容器是：一列同类型数据的 vector，能装下一个病例全部信息的 list，以及把很多病例按“行 × 列”排成表格的 data.frame。可以把它们类比为：单列处方剂量表、单个病历卡片、以及整张门诊登记或临床试验数据表。

7.1 vector：一列同类型

# 一列“剂量”（同类型）
dose_col <- c(10, 12, 9, 15)

7.2 list：病人信息的复合记录

patient <- list(
  id = "P001",
  age = 19,
  zheng = "气虚",
  herbs = c("黄芪", "党参", "白术"),
  doses = c(30, 15, 12)
)

patient$id
patient$herbs
patient$doses

7.3 data.frame：处方数据表（最常用）

在医学统计与数据挖掘中，最常见的原始数据形式，就是“像 Excel/数据库那样”的表格：每一行是一条记录（例如一位患者一次就诊或一次随访），每一列是一个变量（如年龄、性别、证型、化验指标、用药剂量等），不同列可以是不同类型的数据。

在 R 语言里，这种“行 = 观测、列 = 变量”的结构就叫做 数据框（data.frame）。它可以看作是一个特殊的 list：每一列本质上都是一个长度相同的向量（数值、因子、字符、日期时间等），同一列中的数据类型必须一致，而不同列之间可以是不同的数据类型。这种设计非常适合承载临床试验数据表、门诊登记表、体检数据等各种医学原始数据。

rx <- data.frame(
  patient_id = c("P001", "P002", "P003"),
  zheng = factor(c("气虚", "湿热", "血虚")),
  formula = c("补中益气汤", "三仁汤", "四物汤"),
  herb = c("黄芪", "薏苡仁", "当归"),
  dose_g = c(30, 20, 10),
  stringsAsFactors = FALSE
)

rx
rx$dose_g
rx[1, ]
rx[, c(\"patient_id\", \"formula\", \"dose_g\")]

8 练习

1. 创建向量 d <- c(30, 15, NA, 12, 9)，求总剂量（忽略 NA）。
2. 创建字符向量 h <- c(\"黄芪\", \"当归\")，拼出 \"黄芪_当归\"。
3. 创建因子 z <- factor(c(\"气虚\",\"血虚\",\"气虚\"))，输出频数。
4. 在上面的 rx 表里，筛出 dose_g >= 20 的行（示例：rx[rx$dose_g >= 20, ]）。