咱们临床研究中，拿到数据后首先要对数据进行清洗，把数据变成咱们想要的格式，才能进行下一步分析，其中数据中的字符转成数字是个重要的内容，因为字符中常含有特殊符号，不利于分析，转成数字后才能更好进行分析。
今天来总结一下常见的几种字符转数字的方法，建议收藏，以后需要用时找得到。咱们先生成一个数据，来示例一下。

library(tidyr)# 创建原始宽格式的数据框
data <- data.frame(id = c(1:8),group = c(0, 0, 0, 0, 1, 1, 1, 1),w0 = c(0.35, 0.77, 0.48, 0.63, 0.45, 0.56, 1.08, 0.55),w1 = c(1.01, 1.32, 1.18, 1.42, 0.59, 0.86, 1.44, 1.20),w2 = c(1.47, 1.60, 1.65, 1.88, 0.64, 1.37, 1.93, 1.68),w4 = c(2.46, 2.54, 2.86, 3.13, 0.99, 2.04, 2.63, 2.87)
)# 将数据框从宽格式转换为长格式
df_long <- data %>%pivot_longer(cols = c('w0', 'w1', 'w2', 'w4'), # 需要转换的列名names_to = "time",                # 新生成的列名，用来存储原列名values_to = "value"               # 新生成的列名，用来存储原数值)

好的，数据生成了，我们看到到time这一列的变量是w0,w1,w2,w4的字符变量，咱们想要把它转成数字0，1，2，4，应该怎么转换呢？最常见的时候是想起ifelse()函数来一个个的转换，但是这样效率太低了，介绍几种快速转换的。

1. dplyr包

library(dplyr)
df_long2 <- df_long %>%mutate(time = case_when(time == "w0" ~ 0,time == "w1" ~ 1,time == "w2" ~ 2,time == "w4" ~ 4,TRUE ~ as.numeric(time) # 这一行确保如果未来有其他值，它们不会变成NA))

这样就轻松转换好了。

2. 也是继续使用dplyr包recode()函数，咱们注意一下，这两个函数的判断方法有点不一样。等号前面不能有空格。

library(dplyr)
df_long3 <- df_long %>%mutate(time = recode(time, w0 =0, w1 =1, w2 =2, w4 =4))

3. 使用基础R中的 factor() 和 as.numeric()，这个的好处是不用在额外使用R包，但是你必须一个个的指定。也要对基础语法比较掌握。

df_long3$time2 <- as.numeric(as.character(factor(df_long$time, levels = c("w0", "w1", "w2", "w4"),labels = c(0, 1, 2, 4))))

4. stringr包来对数字提取，因为咱们是字符后面的数字部分，所以可以用这样的方法，并不适合所有情况。

library(stringr)
df_long4 <- df_long %>%mutate(time = as.numeric(str_extract(time, "\\d+")))

5. 使用dplyr包的if_else函数，注意一下这个和基础的ifelse()函数是不一样的

df_long5<- df_long %>%mutate(time = if_else(time == "w0", 0,if_else(time == "w1", 1,if_else(time == "w2", 2,if_else(time == "w4", 4, NA_real_)))))

6. 因为它是位置索引，所以索引回来的是位置，因此有个小缺点，4变成了3，不能完全满意。为什么我还要说呢，使用 match() 函数,这个函数主要是用来索引字符匹配的。明白它的用法在很多地方都能有很大的用途。

df_long6 <- df_long %>%mutate(time = match(time, c("w0", "w1", "w2", "w4")) - 1) # 因为索引从1开始，所以减去1

写在新年来临之际，公众号4年来有无数的铁粉默默支持，给我提了很多好的意见，受益良多，在此默默感谢。
新的一年公众号会将对纵向分析进行一些介绍，包括混合效应模型、gee模型、gamm模型等。也会继续复现一些关于charls的纵向分析文章。
感谢大家对我的scitable包的支持，有些粉丝还不明白它能做什么，最基础的功能就是：基线表、单因素和多因素分析，多模型分析，阈值效应分析，亚组分析，rcs分析。还可以进行数据挖掘和交互效应深层次数据挖掘。
目前还有很多功能待写，比如一键相加交互模型函数、gamm模型函数、gam模型的阈值函数、gee模型的曲线拟合和阈值函数，新版的亚组森林图，相信不会让你们失望的。

最后祝各位粉丝新年快乐，合家美满，连发连中。