Datatypes: identificeren & converteren

Op deze pagina behandelen we de belangrijkste datatypes in R.

Meer informatie over hoe je deze pagina kan gebruiken vind je in deze handleiding.

De analyse gebeurt met behulp van R en RStudio. Een inleiding tot deze software vind je hier.

1 Doel

R kent verschillende types data.

We bespreken de belangrijkste datatypes hieronder. De nadruk ligt op praktische aspecten.

Hoe kan je achterhalen wat het datatype van een vector is?
Hoe kan je een vector omzetten van een datatype naar een ander?

2 Wat zijn datatypes?

Een professor statistiek vroeg aan 42 studenten in zijn klas om een korte enquête in te vullen.

De prof vroeg onder meer naar hun naam. Hun antwoorden verzamelde hij in een vector met behulp van de functie c().

namen <- c("Emma Janssens", "Ahmed El-Amrani", "Marie Dubois", "Fatima Benaissa", "Thomas Peeters", "Yasmin Özdemir", "Maxime Leroy", "Hassan Diallo", "Julie De Smet", "Karim Boussouf", "Laura Goossens", "Amina Cherifi", "Arthur Fontaine", "Sari Ndumbe", "Charlotte Maes", "Mohamed Bakali", "Amélie Bollen", "Leila Ziani", "Simon Willems", "Driss Moussaoui", "Lisa Van Damme", "Aisha Kone", "Mathias Jacobs", "Nadia Boukhari", "Camille Mertens", "Omar Bennani", "Wout Verheyden", "Samira Hadji", "Elise Lambrechts", "Youssef Talbi", "Jens De Bruyne", "Khadija Mansouri", "Manon Wouters", "Bilal Rashid", "Fien Desmet", "Zahra Ahmadi", "Kobe Devos", "Mariam Cissé", "Lotte Vandenberghe", "Tariq Ibrahim", "Dries Martens", "Aicha Benjelloun")

De professor vroeg de studenten ook hoe ver van de campus ze wonen (in meter). Ook deze gegevens worden in een vector opgeslagen.

afstand <- c(643.7376, 724.2048, 4828.032, 160.9344, 3218.688, 804.672, 1770.2784, 1609.344, 643.7376, 724.2048, 643.7376, 482.8032, 3701.4912, 80.4672, 241.4016, 402.336, 965.6064, 1287.4752, 313.82208, 8046.72, 965.6064, 611.55072, 7242.048, 2011.68, 1207.008, 160.9344, 685.580544, 1126.5408, 241.4016, 1126.5408, 289.68192, 1255.28832, 1287.4752, 3218.688, 482.8032, 32186.88, 16093.44, 482.8032, 1609.344, 450.61632, NA, 1448.4096)

Het is duidelijk dat het bij namen om een heel ander soort gegevens gaat dan bij afstand. Namen worden uitgedrukt in tekst, terwijl de afstand tot de campus een numerieke variabele van rationiveau is.

In R zijn verschillende datatypes ingebouwd als weerspiegeling van het feit dat er verschillende soorten gegevens bestaan, elk met hun eigen kenmerken en mogelijkheden.

De datatypes in R zijn verwant aan meetniveaus van variabelen (ook meetschalen genoemd). Meer uitleg daarover vind je hier. Merk wel op dat er niet altijd een één-op-één relatie bestaat tussen een meetniveau en een R-datatype.

3 Het datatype opvragen

Elke vector in R heeft een datatype. Hoe kan je het datatype van een vector achterhalen?

Wanneer je de vector aan de functie class() geeft, dan krijg je het datatype als output.

class(namen)

[1] "character"

class(afstand)

[1] "numeric"

Als gebruiker hoef je niet uitdrukkelijk een datatype toe te wijzen aan een vector. De vector hand is automatisch een character vector geworden doordat je er tekst (tussen aanhalingstekens) in hebt opgeslagen, terwijl afstand vanzelf een numeric vector is omdat je er getallen in hebt gestoken.

4 Overzicht datatypes

In deze sectie vind je een kort overzicht van de belangrijkste datatypes in R.

4.1 numeric

Een numeric vector bevat getallen met decimalen. Je kan allerlei bewerkingen uitvoeren met deze gegevens, zoals optellen, vermenigvuldigen, gemiddeldes berekenen en zo meer. Hieronder zie je opnieuw de vector afstand.

afstand <- c(643.7376, 724.2048, 4828.032, 160.9344, 3218.688, 804.672, 1770.2784, 1609.344, 643.7376, 724.2048, 643.7376, 482.8032, 3701.4912, 80.4672, 241.4016, 402.336, 965.6064, 1287.4752, 313.82208, 8046.72, 965.6064, 611.55072, 7242.048, 2011.68, 1207.008, 160.9344, 685.580544, 1126.5408, 241.4016, 1126.5408, 289.68192, 1255.28832, 1287.4752, 3218.688, 482.8032, 32186.88, 16093.44, 482.8032, 1609.344, 450.61632, NA, 1448.4096)

4.2 integer

Het integer datatype is enkel voor gehele getallen. In de praktijk mag je hiervoor vaak het numeric type gebruiken, maar er zijn situaties waarin je beter uitdrukkelijk het integer type hanteert.

Hieronder geven we gehele getallen aan de functie c() en stoppen dit in het object aantal.kinderen.

aantal.kinderen <- c(2,4,0,1,1,2)

Wat verwacht je dat de output zal zijn van het commando class(aantal.kinderen)? Mogelijk denk je integer.

class(aantal.kinderen)

[1] "numeric"

Dat blijkt niet het geval te zijn. R zal getallen - ook gehele getallen - standaard opslaan als numeric. Je kan dit gedrag tegengaan door een hoofdletter L te plaatsen na elk getal. Daarmee dwing je R om de getallen op te slaan als een echte integer vector.

aantal.kinderen2 <- c(2L,4L,0L,1L,1L,2L)
class(aantal.kinderen2)

[1] "integer"

In de praktijk is het handiger om eerst de gehele getallen in een numeric vector op te slaan en die daarna om te zetten naar een integer vector. Hoe je een vector van het ene naar het andere type kan omzetten lees je verderop.

4.3 character

Het datatype character dient om tekstuele gegevens op te slaan. Hieronder vind je een voorbeeld van de namen van 42 studenten.

namen <- c("Emma Janssens", "Ahmed El-Amrani", "Marie Dubois", "Fatima Benaissa", "Thomas Peeters", "Yasmin Özdemir", "Maxime Leroy", "Hassan Diallo", "Julie De Smet", "Karim Boussouf", "Laura Goossens", "Amina Cherifi", "Arthur Fontaine", "Sari Ndumbe", "Charlotte Maes", "Mohamed Bakali", "Amélie Bollen", "Leila Ziani", "Simon Willems", "Driss Moussaoui", "Lisa Van Damme", "Aisha Kone", "Mathias Jacobs", "Nadia Boukhari", "Camille Mertens", "Omar Bennani", "Wout Verheyden", "Samira Hadji", "Elise Lambrechts", "Youssef Talbi", "Jens De Bruyne", "Khadija Mansouri", "Manon Wouters", "Bilal Rashid", "Fien Desmet", "Zahra Ahmadi", "Kobe Devos", "Mariam Cissé", "Lotte Vandenberghe", "Tariq Ibrahim", "Dries Martens", "Aicha Benjelloun")

class(namen)

[1] "character"

character vectoren gebruik je doorgaans voor tekstdata met heel veel verschillende waarden en/of tekstdata waarbij er geen volledige lijst van mogelijke waarden bestaat. Iemands naam is natuurlijk een goed voorbeeld: er zijn enorm veel verschillende namen en als je mensen hun naam vraagt in een enquête ga je hen niet dwingen om te kiezen uit een vooraf vastgelegde lijst met opties.

Voor categorische variabelen met een vaststaand, klein aantal niveaus is het beter om de gegevens in een ander soort vector op te slaan, met name een factor vector. Sommige R-functies zullen zelfs vereisen dat je categorische gegevens als een factor vector opslaat.

4.4 factor

Het factor datatype dient om waarden van een categorische variabele op te slaan, wanneer het gaat om een variabele met een gelimiteerd aantal mogelijke waarden.

Waarden van een categorische variabele noemen we “niveaus”.

Hieronder vind je gegevens over de dominante hand van studenten. Er zijn maar twee niveaus: Links en Rechts. Als we de functie c() gebruiken, dan zal het object hand echter een character vector zijn.

hand <- c("Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts")

class(hand)

[1] "character"

De vector hand kan je nu converteren naar een factor vector met de functie factor().

hand <- factor(hand)

Eenmaal je een factor vector hebt, kan je bijvoorbeeld opvragen wat de niveaus zijn van hand.

levels(hand)

[1] "Links"  "Rechts"

Het is ook mogelijk om een integer vector om te zetten in een factor vector. Dat heeft natuurlijk enkel zin als de waarden van de integer vector (gehele getallen dus) eigenlijk code zijn voor de niveaus van een categorische variabele, zoals in de tabel hieronder.

Cijfercode	Niveau
1	Alleenstaand
2	Gehuwd
3	Gescheiden
4	Wettelijk samenwonend

Meer uitleg over het converteren van vectoren van het ene naar het andere datatype vind je verderop.

Ordinale gegevens

Een van de voordelen van factor in vergelijking met character is dat je uitdrukkelijk een rangschikking kan toekennen aan de niveaus. Je kan met andere woorden een ordinale categorische variabele opslaan. Je kan daarvoor het argument ordered=TRUE van de functie factor() gebruiken. Op deze pagina gaan we hier niet verder op in.

4.5 logical

Het logical datatype kan slechts twee waarden aannemen: TRUE en FALSE. Dit datatype dient om aan te geven of iets wel of niet het geval is.

Zoals bij alle andere datatypes is het mogelijk om zelf een vector aan te maken van dit type. Hieronder bijvoorbeeld wordt gevraagd aan de 42 studenten of ze in de voorbije 12 maanden een opleiding hebben gevolgd.

opleiding <- c(FALSE, TRUE, TRUE, FALSE, FALSE, FALSE, FALSE, TRUE, FALSE, TRUE, FALSE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, TRUE, TRUE, FALSE, TRUE, TRUE, FALSE, FALSE, TRUE, TRUE)

Een interessante mogelijkheid is om een logical vector te maken aan de hand van een conditie of voorwaarde. Als aan de conditie is voldaan, dan komt in de nieuwe vector TRUE te staan en indien niet, dan staat er FALSE.

Je zou je bijvoorbeeld kunnen afvragen welke studenten verder dan 1000 meter van de campus wonen. Als de student inderdaad verder woont (dit is de conditie), dan krijgt die student TRUE voor de nieuwe vector en in alle andere gevallen FALSE.

Met de onderstaande code kan je de conditie uitdrukken.

afstand > 1000

 [1] FALSE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE
[13]  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE  TRUE  TRUE
[25]  TRUE FALSE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE
[37]  TRUE FALSE  TRUE FALSE    NA  TRUE

Doorgaans wil je dit meteen in een vector opslaan.

meerdan1000m <- afstand > 1000

Voor de zekerheid controleren we even door beide variabelen naast elkaar te leggen.

data.frame(afstand, meerdan1000m)

      afstand meerdan1000m
1    643.7376        FALSE
2    724.2048        FALSE
3   4828.0320         TRUE
4    160.9344        FALSE
5   3218.6880         TRUE
6    804.6720        FALSE
7   1770.2784         TRUE
8   1609.3440         TRUE
9    643.7376        FALSE
10   724.2048        FALSE
11   643.7376        FALSE
12   482.8032        FALSE
13  3701.4912         TRUE
14    80.4672        FALSE
15   241.4016        FALSE
16   402.3360        FALSE
17   965.6064        FALSE
18  1287.4752         TRUE
19   313.8221        FALSE
20  8046.7200         TRUE
21   965.6064        FALSE
22   611.5507        FALSE
23  7242.0480         TRUE
24  2011.6800         TRUE
25  1207.0080         TRUE
26   160.9344        FALSE
27   685.5805        FALSE
28  1126.5408         TRUE
29   241.4016        FALSE
30  1126.5408         TRUE
31   289.6819        FALSE
32  1255.2883         TRUE
33  1287.4752         TRUE
34  3218.6880         TRUE
35   482.8032        FALSE
36 32186.8800         TRUE
37 16093.4400         TRUE
38   482.8032        FALSE
39  1609.3440         TRUE
40   450.6163        FALSE
41         NA           NA
42  1448.4096         TRUE

5 Converteren

Soms is het mogelijk om gegevens van een datatype om te zetten of te converteren naar een ander datatype. Dat kan met verschillende functies die allemaal beginnen met as.. Bijvoorbeeld, om een vector om te zetten naar type character gebruik je as.character().

Een conversie die regelmatig voorkomt is die van een character naar een factor vector. Dat zagen we eerder al. Toen gebruikten we de functie factor() en niet as.factor(). In essentie hebben die beide functies hetzelfde resultaat: je maakt een vector van datatype factor. Met de functie factor() heb je wel wat meer opties, bijvoorbeeld om expliciet de niveaus en de labels van de categorische variabele vast te leggen.

Voor meer info kan je het commando ?factor runnen.

hand <- c("Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Links", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts", "Rechts")

hand <- as.factor(hand)

Sommige conversies zijn niet mogelijk en/of niet zinvol. Van een character vector zal je in bijna alle gevallen geen numeric vector kunnen maken. Je kan de code misschien wel runnen, maar de resulterende vector zal enkel ontbrekende waarden (NA) bevatten.

as.numeric(namen)

Warning: NAs introduced by coercion

 [1] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
[26] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA

6 Automatische conversie (“coercion”)

Een vector kan alleen maar gegevens van eenzelfde type bevatten. Als je toch verschillende soorten data in een vector probeert te verzamelen, dan zal R zelf een datatype toekennen aan die vector. Ook wanneer je een vector aan bepaalde functies geeft kan het gebeuren dat R automatisch de vector zal converteren naar een ander type. Hieronder bekijken we enkele voorbeelden.

6.1 Voorbeeld 1

In het eerste voorbeeld voeg je tekstuele gegevens (tussen de aanhalingstekens) samen met getallen. Van welk type zal de vector mengeling1 volgens jou zijn?

mengeling1 <- c("Jasper", "Lara", 425, "Stijn")

Klik hier om het antwoord te zien

We vragen het datatype op met class().

class(mengeling1)

[1] "character"

Het getal 425 is omgezet naar een stuk tekst. Het is alsof je "425" (met aanhalingstekens) had geschreven. Dat zie je als je de hele vector opvraagt.

mengeling1

[1] "Jasper" "Lara"   "425"    "Stijn"

Een vector van type character kan wel "425" bevatten, in tekstvorm, maar een numeric vector zou nooit overweg kunnen met de waarden "Jasper", "Lara" en "Stijn". Daarom geeft R aan deze vector in zijn geheel het datatype character.

6.2 Voorbeeld 2

In een tweede voorbeeld stop je gehele getallen (met L erachter) en kommagetallen samen in een vector. Wat denk je dat het resultaat zal zijn?

mengeling2 <- c(19.2, 20, 21L, 39.1)

Klik hier om het antwoord te zien

We vragen het datatype op met class().

class(mengeling2)

[1] "numeric"

Een vector van type integer zou nooit 19.2 en 39.1 kunnen bevatten. Een numeric vector daarentegen kan zowel kommagetallen als gehele getallen bevatten en is dus de beste keuze om de gegeven getallen op te slaan. R zal dus van mengeling2 automatisch een numeric vector maken.

6.3 Voorbeeld 3

Hieronder vind je opnieuw de vector opleiding. Het is duidelijk een logical vector.

opleiding <- c(FALSE, TRUE, TRUE, FALSE, FALSE, FALSE, FALSE, TRUE, FALSE, TRUE, FALSE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, TRUE, TRUE, FALSE, TRUE, TRUE, FALSE, TRUE, TRUE, FALSE, FALSE, TRUE, TRUE)

Nu geef je deze vector aan de functie sum(). Zal dat lukken volgens jou?

sum(opleiding)

[1] 24

Misschien dacht je dat R een foutmelding zou teruggeven. Dat lijkt inderdaad erg logisch. Hoe kan je nu een som maken van waarden TRUE en FALSE?

En toch krijg je een getal terug. Kan je daar een verklaring voor bedenken? Wat betekent dit getal?

Klik hier om het antwoord te zien

Het getal dat sum() je teruggeeft is het aantal TRUE in de vector opleiding.

R voert achter de schermen een conversie uit, waarbij alle TRUE een 1 worden en alle FALSE een 0. Daarna gaat de vector naar de functie sum() en komt er dus de som uit van alle 1 en 0, wat uiteraard gelijk is aan het aantal TRUE.

Merk op dat de oorspronkelijke vector opleiding gewoon blijft bestaan als logical vector. Die wordt niet overschreven.

7 Vectoren in dataframes

Vectoren worden vaak samengebracht in dataframes. Elke kolom in een dataframe is een vector en die bevat gegevens van een bepaalde variabele, bijvoorbeeld een vraag in een enquête. Elke rij in een dataframe is een observatie, bijvoorbeeld een individu dat een enquête heeft ingevuld.

Hieronder zie je een voorbeeld van hoe dataframes werken in R. De dataset die wordt ingeladen is een aangepaste versie van een dataset die hier wordt beschreven.

Je kan de hele dataset inladen met de functie read.csv(). De data kan je best meteen in een object enquete onderbrengen zodat je die later makkelijk opnieuw kan oproepen.

enquete <- read.csv("https://statlas.ugent.be/datasets/enquete_mnpl.csv")

Dit object kan je aan de functie class() geven, net zoals je eerder al deed met vectoren.

class(enquete)

[1] "data.frame"

Als je dit object enquete inspecteert met de functie str() kan je informatie verkrijgen over de verschillende vectoren die het bevat.

str(enquete)

'data.frame':   42 obs. of  14 variables:
 $ Index         : int  1 2 3 4 5 6 7 8 9 10 ...
 $ Sectie        : int  1 1 1 1 1 1 1 1 1 1 ...
 $ Jaar          : chr  "Vierde jaar" "Eerste jaar" "Eerste jaar" "Eerste jaar" ...
 $ Geslacht      : chr  "Vrouw" "Vrouw" "Vrouw" "Man" ...
 $ Afstand       : num  644 724 4828 161 3219 ...
 $ Lengte        : num  157 155 155 183 175 ...
 $ Dominante.hand: chr  "Rechts" "Links" "Rechts" "Rechts" ...
 $ Munten        : num  1.12 29 1.5 0.07 0.12 8 0.77 0 0 0 ...
 $ Wit.koord     : num  106.7 114.3 55.9 101.6 121.9 ...
 $ Zwart.koord   : num  15.2 12.7 10.2 10.2 17.8 ...
 $ Lezen         : num  80 100 100 50 200 100 200 100 100 100 ...
 $ Tv            : num  3 10 4 25 5 0 2 2 20 20 ...
 $ Hartslag      : int  71 78 80 63 63 56 72 66 54 48 ...
 $ Berichten     : int  3 100 2 200 100 1 50 30 40 25 ...

Elke vector bevat waarden van een variabele. Telkens staat er een drieletterwoord bij dat het datatype van die vector aangeeft, in dit dataframe: int, chr en num. Het is duidelijk dat een dataframe gegevens van een verschillend type kan bevatten. Binnen een kolom zijn alle gegevens wel van hetzelfde type.