在處理資料時，除了數值資料之外，文字資料也是很常見的資料類型，尤其是在整理第一手的原始資料時，通常都會有非常大量的文字資料需要處理，而因子則是用於儲存類別型式的資料（categorical data），它的性質介於整數與字元變數之間，以下我們將介紹 R 的字串與因子使用方式。
字串（String）
在 R 中文字的資料都是儲存在字元向量中，而字元向量中的每一個元素都是一個完整的字串（string）。
這裡我們使用字串（string）這個名稱來稱呼字元向量的元素。
建立與輸出字串
字元向量跟一般向量一樣可以使用 c 函數來建立，我們可以使用雙引號或單引號包住字串：
c("Hello", 'World')
[1] "Hello" "World"
若遇到字串中包含雙引號或單引號的情況，可以用反斜線（\）來跳脫處理：
c("Hello, \"World\"")
[1] "Hello, \"World\""
或是使用單引號包住含有雙引號的字串（反之亦可）：
c('Hello, "World"')
[1] "Hello, \"World\""
如果要將多個字串連接起來，可以使用 paste 函數：
paste("Hello", "World")
[1] "Hello World"
paste 預設會使用一個空白字元當作分隔符號，將所有的字串連接起來，我們可以使用 sep 參數自行指定分隔字元：
paste("Hello", "World", sep = "-")
[1] "Hello-World"
如果不想要有任何分隔符號，可以使用 paste0 這個函數：
paste0("Hello", "World")
[1] "HelloWorld"
如果遇到不同長度的字元向量時，較短的字元向量就會被重複使用：
paste(c("red", "green"), "apple")
[1] "red apple" "green apple"
若指定 collapse 參數，paste 就會使用這個參數所指定的內容當作分隔符號，將字元向量中所有的字串全部串接成一個字串：
paste(c("red", "green"), "apple", collapse = ", ")
[1] "red apple, green apple"
toString 是一個類似 paste 的函數，他可以將各種向量轉為字串：
x <- (1:10)^2
toString(x)
[1] "1, 4, 9, 16, 25, 36, 49, 64, 81, 100"
toString 加上 width 可以限制輸出字串的長度上限：
toString(x, width = 20)
[1] "1, 4, 9, 16, 25,...."
cat 函數是一個類似 paste 的低階函數，一般使用者不太會有機會需要使用到它，不過由於大部分 print 函數內部都會使用 cat 來輸出，所以多少了解一下會比較好。cat 會直接將所有的元素直接以字串輸出（不管向量長度）：
cat(c("red", "green"), "apple", 1:3)
red green apple 1 2 3
在 R 中一般的字串輸出時都會以雙引號包住，如果不想要讓字串出現雙引號，可以使用 noquote 函數來處理：
x <- c("If", "people", "do", "not", "believe",
"that", "mathematics", "is", "simple,",
"it", "is", "only", "because", "they",
"do", "not", "realize", "how",
"complicated", "life", "is");
x
[1] "If" "people" "do" "not" [5] "believe" "that" "mathematics" "is" [9] "simple," "it" "is" "only" [13] "because" "they" "do" "not" [17] "realize" "how" "complicated" "life"
noquote(x)
[1] If people do not believe [6] that mathematics is simple, it [11] is only because they do [16] not realize how complicated life [21] is
格式化數值
若要將數值的資料依據指定的格式轉換為字串，可以使用 formatC 這個函數，這個函數可以讓我們使用類似 C 語言的方式來指定輸出格式。
x <- exp(1:3)
x
[1] 2.718282 7.389056 20.085537
formatC 函數的 digits 參數可以指定輸出數值的位數：
formatC(x, digits = 5)
[1] "2.7183" "7.3891" "20.086"
format 參數可以指定輸出數值格式：
formatC(x, digits = 5, format = "e")
[1] "2.71828e+00" "7.38906e+00" "2.00855e+01"
width 可指定輸出字串長度，不足的部分則會以空白補齊：
formatC(x, digits = 5, width = 8)
[1] " 2.7183" " 7.3891" " 20.086"
在 R 中也有一個 sprintf 函數，它跟一般程式語言中的 sprintf 函數用法一樣，其第一個參數是輸出的樣板，第二個以後的參數則是要輸出的各種資料變數。
item <- "the apple"
weight <- 3.2
sprintf("The weight of %s is %f kg.", item, weight)
[1] "The weight of the apple is 3.200000 kg."
sprintf 也可以直接處理向量的輸出：
items <- c("the apple", "the banana")
weights <- c(3.2, 2.5)
sprintf("The weight of %s is %f kg.", items, weights)
[1] "The weight of the apple is 3.200000 kg." [2] "The weight of the banana is 2.500000 kg."
%.1f 可以指定浮點數輸出至小數點以下第一位：
sprintf("The weight of %s is %.1f kg.", items, weights)
[1] "The weight of the apple is 3.2 kg." [2] "The weight of the banana is 2.5 kg."
以科學記號輸出，精確度到小數點下第二位：
sprintf("The weight of %s is %.2e kg.", items, weights)
[1] "The weight of the apple is 3.20e+00 kg." [2] "The weight of the banana is 2.50e+00 kg."
另外還有兩個用於格式化數值輸出的 format 與 prettyNum 函數，format 跟 formatC 類似，只是參數的用法有些小差異而已。
format(x, digits = 5)
[1] " 2.7183" " 7.3891" "20.0855"
format(x, digits = 5, trim = TRUE)
[1] "2.7183" "7.3891" "20.0855"
format(x, digits = 3, scientific = TRUE)
[1] "2.72e+00" "7.39e+00" "2.01e+01"
prettyNum 函數則適用於輸出比較大或比較小的數值：
prettyNum(2^30, big.mark = ",")
[1] "1,073,741,824"
prettyNum(1/2^20, small.mark = " ", scientific = FALSE)
"0.00000 09536 743"
特殊字元
在字串中若要加入一些特殊字元（例如 tab 字元），可以運用跳脫字元的方式來處理：
cat("foo\tbar")
foo bar
換行字元可使用 \n：
cat("foo\nbar")
foo bar
如果要輸入反斜線，則使用 \\：
cat("foo\\bar")
foo\bar
單引號與雙引號也可以利用跳脫字元輸入：
cat("foo\"bar")
foo"bar
cat('foo\'bar')
foo'bar
如果是以雙引號包住單引號，就可以不需要跳脫字元，反之亦然：
cat('foo"bar')
foo"bar
cat("foo'bar")
foo'bar
另一個比較特別的字元是 alarm 字元（\a），輸出這個字元時會讓喇叭產生聲響：
cat("\a")
輸出 alarm 字元的效果等同時呼叫 alarm 函數：
alarm()
改變大小寫
如果要改變字串中英文字母的大小寫，可以運用 toupper 與 tolower 函數：
toupper("Foo Bar")
[1] "FOO BAR"
tolower("Foo Bar")
[1] "foo bar"
子字串
若要從字串中取出一部分的子字串，可以使用 substr 或 substring 函數，這兩個函數的用法幾乎都相同，第一個參數是輸入的字串，第二與第三個參數則是子字串的開始與結束位置：
substr("abcdef", 2, 4)
[1] "bcd"
substring("abcdef", 2, 4)
[1] "bcd"
substr 與 substring 只有在處理向量時會有一些小差異：
x.strings <- c(
"abcdefghij",
"ABCDEFGHIJ",
"1234567890"
)
substr(x.strings, 1:4, 8)
[1] "abcdefgh" "BCDEFGH" "345678"
substring(x.strings, 1:4, 8)
[1] "abcdefgh" "BCDEFGH" "345678" "defgh"
分割字串
若要將一個字串分割成多個字串，可以使用 strsplit 函數，第一個參數是輸入的字串，而第二個參數則是分隔字串：
strsplit("foo,bar,Foo,BAR", ",")
[[1]] [1] "foo" "bar" "Foo" "BAR"
strsplit 函數預設會使用正規表示法（regular expression）來匹配分隔字串，如果要將指定的分隔字串視為一般的文字，可以加上 fixed = TRUE 參數。
strsplit("foo+bar+Foo+BAR", "+", fixed = TRUE)
[[1]] [1] "foo" "bar" "Foo" "BAR"
strsplit 函數的輸出是一個列表（list），這樣設計的原因在於處理向量時，每一個結果的長度可能會不同：
x.str <- c("foo bar Foo BAR", "abc def")
strsplit(x.str, " ", fixed = TRUE)
[[1]] [1] "foo" "bar" "Foo" "BAR" [[2]] [1] "abc" "def"
這是一個使用正規表示法的例子，使用逗號、句點或空白作為分隔字元：
strsplit("foo,bar.Foo BAR", "[,. ]")
[[1]] [1] "foo" "bar" "Foo" "BAR"
檔案路徑
在 R 中我們可以藉由 getwd 函數取得目前的工作目錄，在存取檔案時若沒有特別指定路徑的話，就會以這個路徑為準。
getwd()
[1] "d:/workspace"
我們可以使用 setwd 函數來更改工作目錄：
setwd("c:/mypath")
getwd()
[1] "c:/mypath"
這裡我們使用正斜線（/）來區隔路徑，而如果要使用 Windows 慣用的反斜線也可以，只是在輸入反斜線時，要使用跳脫字元：
setwd("c:\\mypath")
另外我們也可以使用 file.path 函數來從各個目錄名稱來建立完整的路徑：
file.path("c:", "Program Files", "R")
[1] "c:/Program Files/R"
R.home 可以顯示 R 的安裝路徑：
R.home()
[1] "C:/PROGRA~1/R/R-32~1.4"
basename 可以從一串完整路徑中取出不包含路徑的檔案名稱：
basename("C:/Users/GTWang/Documents")
[1] "Documents"
因子（Factor）
R 的因子（factor）變數是專門用來儲存類別資料的變數，它同時具有字串與整數的特性。
建立因子變數
若要建立一個因子變數，可以使用 factor 函數：
colors <- c("red", "yellow", "green", "red", "green")
colors.factor <- factor(colors)
colors.factor
[1] red yellow green red green Levels: green red yellow
因子變數在輸出時，看起來跟一般的字元向量類似，而最後一行的 levels 會列出這個因子變數所有的類別。我們可以使用 levels 這個函數取得因子的 levels：
levels(colors.factor)
[1] "green" "red" "yellow"
nlevels 則可以取得因子 levels 的數量：
nlevels(colors.factor)
[1] 3
在建立因子變數時，可以使用 levels 參數指定 levels 的排列順序：
colors.factor2 <- factor(colors,
levels = c("red", "yellow", "green"))
colors.factor2
[1] red yellow green red green Levels: red yellow green
labels 參數則可以指定個類別的名稱：
colors.factor3 <- factor(colors,
levels = c("red", "yellow", "green"),
labels = c("R", "Y", "G"))
colors.factor3
[1] R Y G R G Levels: R Y G
在建立 data frame 時，R 預設會將文字的資料轉為因子：
values <- c(12, 54, 23, 83, 2)
colors <- c("red", "yellow", "green", "red", "green")
my.table <- data.frame(values, colors)
my.table
values colors 1 12 red 2 54 yellow 3 23 green 4 83 red 5 2 green
class(my.table$colors)
[1] "factor"
改變因子的 Levels
因子變數中的元素值只能是 levels 中的其中一種或是缺失值（NA），如果將因子的元素指定為其他的字串，該元素就會被設定為缺失值，並產生警告訊息：
colors.factor[1] <- "blue"
Warning message: In `[<-.factor`(`*tmp*`, 1, value = "blue") : invalid factor level, NA generated
colors.factor
[1] <NA> yellow green red green Levels: green red yellow
如果要新增一個 levels 中沒有的類別資料，可以先使用 levels 函數先新增一個 level，再指定新的值：
colors.levels <- levels(colors.factor)
levels(colors.factor) <- c(colors.levels, "blue")
colors.factor[1] <- "blue"
colors.factor
[1] blue yellow green red green Levels: green red yellow blue
在更動因子變數的 levels 時，要注意其排列的順序，新增的 level 要放在最後面，如果順序搞錯會造成資料錯誤，若要避免順序錯亂的問題，可以使用 list 的方式指定：
levels(colors.factor) <- list(
blue = "blue", green = "green",
red = "red", yellow = "yellow")
colors.factor[1] <- "blue"
colors.factor
[1] blue yellow green red green Levels: blue green red yellow
relevel 可以重新排序因子變數的 levels，將指定的 level 放在第一個位置：
relevel(colors.factor, "red")
[1] blue yellow green red green Levels: red blue green yellow
移除因子的 Levels
有時候在處理一些原始的文字資料時，會出現類似這樣英文大小寫不統一的狀況：
colors.raw <- c("Red", "yellow", "green", "red", "green")
colors.factor <- factor(colors.raw)
colors.factor
[1] Red yellow green red green Levels: green red Red yellow
而經過修正之後，就會出現一些沒有用的 levels。
colors.factor[1] <- "red"
unique(colors.factor)
[1] red yellow green Levels: green red Red yellow
若要移除因子變數中沒有用到的 levels，可以使用 droplevels 函數：
colors.factor <- droplevels(colors.factor)
colors.factor
[1] red yellow green red green Levels: green red yellow
droplevels 也可以直接處理 data frame 之內的因子欄位：
colors.raw <- c("Red", "yellow", "green", "red", "green")
values <- c(12, 54, 23, 83, 2)
my.table2 <- data.frame(values, colors.raw)
my.table2$colors.raw
[1] Red yellow green red green Levels: green red Red yellow
my.table2$colors.raw[1] <- "red"
unique(my.table2$colors.raw)
[1] red yellow green Levels: green red Red yellow
my.table2 <- droplevels(my.table2)
my.table2$colors.raw
[1] red yellow green red green Levels: green red yellow
有序因子
有一些資料雖然是類別型的資料，但是不同類別之間是可以比較的，這種有順序性的類別資料可以使用有序因子來儲存，最常見的例子就是問卷調查的資料，例如滿意度的評價可分為非常差（worst）、差（bad）、普通（so-so）、好（good）與非常好（perfect）：
choices <- c("worst", "bad", "so-so", "good", "perfect")
samples <- sample(choices, 10, replace = TRUE)
samples.factor <- factor(samples, levels = choices)
samples.factor
[1] perfect so-so perfect good perfect [6] worst worst so-so good so-so Levels: worst bad so-so good perfect
若遇到這樣的資料，可以改用 ordered 函數來建立有序的因子變數（或是在呼叫 factor 函數時加入 ordered = TRUE 也可以）：
samples.ordered <- ordered(samples, levels = choices)
samples.ordered
[1] perfect so-so perfect good perfect worst [7] worst so-so good so-so Levels: worst < bad < so-so < good < perfect
有序因子也是屬於因子變數：
is.factor(samples.ordered)
[1] TRUE
有序的因子跟一般的因子變數的使用方式都相同，唯一的差異就只是它的 levels 有順序性而已。
將連續型變數轉換為離散型變數
如果要看一群連續型資料大致的分佈，可以將其轉換為離散的群組，這樣會比較容易一眼看出整個分布狀況：
grouped <- cut(iris$Sepal.Length, seq(4.3, 7.9, 4))
head(grouped)
[1] (4.3,5.2] (4.3,5.2] (4.3,5.2] (4.3,5.2] (4.3,5.2] (5.2,6.1] Levels: (4.3,5.2] (5.2,6.1] (6.1,7] (7,7.9]
table(grouped)
grouped
(4.3,5.2] (5.2,6.1] (6.1,7] (7,7.9]
45 50 43 12這個作用跟使用 hist 函數畫直方圖相同。
將離散型變數轉換為連續型變數
有些時候我們拿到的原始資料有一些錯誤（例如打字上的錯誤），造成 R 在讀入資料時，將數值當成字串讀入，然後自動轉換為因子，而這種變數若直接使用 as.numeric 轉換為數值的話，會出現錯誤：
raw <- data.frame(
x = c("1.23", "4..56", "7.89")
)
as.numeric(raw$x)
[1] 1 2 3
這裡的 as.numeric 是將因子變數內部代表各類別的數值資料直接取出，但這並不是我們想要的結果。我們可以將因子先轉換為字串，再轉為數值：
as.numeric(as.character(raw$x))
[1] 1.23 NA 7.89 Warning message: 強制變更過程中產生了 NA
而根據 R 的 FAQ 說明文件，比較好的做法是像下面這種，這個寫法的執行效率會比較高：
as.numeric(levels(raw$x))[as.integer(raw$x)]
[1] 1.23 NA 7.89 Warning message: 強制變更過程中產生了 NA
產生因子的 Levels
gl 函數可以依據指定的樣式來產生因子變數，第一個參數 n 是指定因子的 level 數目，而第二個參數 k 則是指定每個 level 出現的次數：
gl(n = 2, k = 8)
[1] 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
labels 參數可以用來指定各個 levels 的名稱：
gl(n = 2, k = 8, labels = c("Control", "Treat"))
[1] Control Control Control Control Control Control Control Control Treat [10] Treat Treat Treat Treat Treat Treat Treat Levels: Control Treat
length 參數可以指定產生的因子變數長度：
gl(n = 2, k = 2, length = 8,
labels = c("Control", "Treat"))
[1] Control Control Treat Treat Control Control Treat Treat Levels: Control Treat
結合因子變數
如果要將兩個（或多個）因子變數結合，可以使用 interaction 函數：
a <- gl(2, 4, 8)
a
[1] 1 1 1 1 2 2 2 2 Levels: 1 2
b <- gl(2, 2, 8, labels = c("ctrl", "treat"))
b
[1] ctrl ctrl treat treat ctrl ctrl treat treat Levels: ctrl treat
interaction(a, b)
[1] 1.ctrl 1.ctrl 1.treat 1.treat 2.ctrl 2.ctrl 2.treat 2.treat Levels: 1.ctrl 2.ctrl 1.treat 2.treat
超過兩個因子變數的情況也可以使用 interaction 處理，而 sep 參數可以指定結合 level 時的分隔符號。
s <- gl(2, 1, 8, labels = c("M", "F"))
s
[1] M F M F M F M F Levels: M F
interaction(a, b, s, sep = ":")
[1] 1:ctrl:M 1:ctrl:F 1:treat:M 1:treat:F 2:ctrl:M 2:ctrl:F 2:treat:M [8] 2:treat:F 8 Levels: 1:ctrl:M 2:ctrl:M 1:treat:M 2:treat:M 1:ctrl:F ... 2:treat:F