R 语言基础：SAS 用户对照速成

你已经会 SAS，缺的只是一层翻译。本章把 SAS 用户的语言直觉逐条映射到 R——向量、factor、NA、索引、三大范式，全程用 ADSL 与 AE 的真实语境说话。

1.1 向量与强制类型

R 里一切都是向量，没有 SAS 那种"标量"。当一个向量里混进不同类型的元素，R 不会报错，而是强制（coerce）到能容纳所有元素的"最宽"类型：logical < integer < double < character。这就像 SAS 把数值硬塞进字符变量时自动 PUT，只是 R 做得悄无声息。

# 混合类型向量：c(1, "a") 会被强制（coerce）为 character
v <- c(1, "a")
typeof(v)          # "character"
is.character(v)    # TRUE
is.numeric(v)      # FALSE
class(v)           # "character"

# is.* 家族给同一个向量做体检
x <- c(1L, 2L)     # 后缀 L = 显式 integer
typeof(x)          # "integer"
is.integer(x)      # TRUE
is.numeric(x)      # TRUE（integer 也算 numeric）
is.double(x)       # FALSE

# 实跑捕获（R 4.5.0）
[1] "character"
[1] TRUE
[1] FALSE
[1] "character"
[1] "integer"
[1] TRUE
[1] TRUE
[1] FALSE

逐行解读：

typeof() 看的是底层存储类型（内存里到底是什么），class() 看的是面向对象层面的类。做数据核查时先 typeof()，能一眼发现"本该是数值却被读成字符"的导入事故。
c(1, "a") 里数字 1 被强制成字符 "1"，所以 is.numeric() 返回 FALSE——这正是 SAS 用户最容易栽的坑：一列里混入一个字符，整列就"变性"了。
is.integer() 与 is.numeric() 都对 1L 返回 TRUE：integer 是 numeric 的子类。字面量 1 默认是 double，1L 才是 integer。

测验 1：向量 c(1, TRUE, "a") 的类型（typeof）是什么？

选 C。只要向量里出现一个字符元素，全部元素都被强制为 character：1 变 "1"、TRUE 变 "TRUE"。强制顺序永远是 logical < integer < double < character，往最宽的类型靠。

1.2 factor：临床里的"有序类别"

factor 是 R 处理分类变量的核心工具，天然对应 SAS 里的格式化类别变量（如 ARM、VISIT）。它的杀手锏是 levels：你可以显式规定顺序，让"安慰剂→低剂量→高剂量"或"V1→V2→V3"按临床逻辑而非字母表排序。

# 指定 levels 顺序（临床常见：治疗组、访视排序）
arm <- factor(c("b", "a"), levels = c("a", "b"))
arm
levels(arm)        # "a" "b"
table(arm)         # 按 levels 顺序计数，缺的层级也保留为 0

# 按 levels 排序：sort() 用层级顺序而非字母表
visit <- factor(c("V3", "V1", "V2"), levels = c("V1", "V2", "V3"))
sort(visit)

# as.integer(factor) 返回层级下标，不是原数值！
as.integer(factor(c(10, 20), levels = c(10, 20)))   # 1 2（不是 10 20）

# 实跑捕获（R 4.5.0）
[1] b a
Levels: a b
[1] "a" "b"
arm
a b 
1 1 
[1] V1 V2 V3
Levels: V1 V2 V3
[1] 1 2

逐行解读：

factor(c("b","a"), levels=c("a","b"))：数据顺序是 b、a，但 levels 规定 a 在前，所以 sort()、报表、图例都会按 a→b 出。
table(arm) 按 levels 计数，即便某个 level 在数据里一次都没出现，也会保留为 0——这对"某治疗组无人入组也要在表里显示"的递交要求很关键。
sort(visit) 得到 V1 V2 V3 而非字母序，因为 factor 排序用的是 levels 的位置，不是字符串本身。

SAS 误区：① as.integer(factor) 返回的是层级下标（1、2、3…），不是原始数值——上面 factor(c(10,20)) 转 integer 得到的是 1 2 而非 10 20。要拿回原值请用 as.numeric(as.character(f))。② factor 与 SAS 字符变量不同：它带着 levels 元数据，直接和字符串比较虽可行，但一旦 levels 顺序或取值集变化，==、排序、合并的行为都会跟着变，务必显式设定 levels。

1.3 NA 的语义与传播

R 的缺失值 NA 表示"未知"。它的核心规则是传播：任何和 NA 做的运算，结果还是 NA，因为"未知 + 1 仍然未知"。这与 SAS 的 . 在算术里常被当 0 处理（或参与比较时落在数轴最左端）截然不同，是 SAS 用户迁移时最高频的 bug 源。

# NA 会"污染"整个统计量（与 SAS 的 . 处理不同）
mean(c(1, NA))                # NA
mean(c(1, NA), na.rm = TRUE)  # 1
sum(c(1, NA))                 # NA

# NA 的传播：任何含 NA 的逐元素运算结果仍是 NA
is.na(c(1, NA))               # FALSE  TRUE
c(1, NA) + 1                  # 2  NA
c(1, NA) > 0                  # TRUE NA（比较也是 NA）

# 实跑捕获（R 4.5.0）
[1] NA
[1] 1
[1] NA
[1] FALSE  TRUE
[1]  2 NA
[1] TRUE   NA

逐行解读：

mean(c(1, NA)) 直接返回 NA——聚合函数默认"遇缺即缺"。要忽略缺失必须显式写 na.rm = TRUE，这时结果是 1。
is.na() 是向量化的缺失检测，等价于 SAS 的 MISSING()，但它对每个元素返回 TRUE/FALSE，可直接当逻辑索引用来筛掉缺失行。
c(1, NA) + 1 得 2 NA：第一个元素照常算成 2，第二个 NA 传播保持 NA。连比较 > 0 都返回 NA（不是 TRUE 也不是 FALSE），这在 if/filter 里会引发"missing value where TRUE/FALSE needed"报错。

对照 SAS：. 在 SUM/MEANS 里被自动忽略，在算术表达式里常按 0 参与；而 R 的 NA 默认"一票否决"，必须用 na.rm=TRUE、is.na() 或 coalesce() 显式处理。养成习惯：写任何聚合前先想"这列有没有 NA"。

测验 2：c(1, NA) + 1 的结果是什么？

选 B。运算是逐元素的：1+1=2，而 NA+1 仍是 NA。这正是"NA 传播"——它不会像 SAS 的 . 那样被悄悄当成 0，也不会污染旁边的正常元素，只是自己那一位保持未知。

1.4 索引与向量回收

R 的索引从 1 开始（和 SAS 数组一致，不是 Python 的 0）。除了位置索引，R 最强大的是逻辑索引：把一个条件表达式直接放进方括号，TRUE 的位置被保留。此外要警惕向量回收——长度不等时短向量会被循环补齐，这可能悄悄掩盖 bug。

options(warn = 1)   # 让警告就地打印，便于教学演示

# 位置索引（R 是 1-based，与 SAS 数组一致）
x <- c(10, 20, 30, 40, 50)
x[2:4]             # 20 30 40
x[c(1, 5)]         # 10 50

# 逻辑索引：把条件当"掩码"直接筛选
x[x > 20]          # 30 40 50

# 向量回收（recycling）：长度不等时短向量被循环补齐
1:6 + 1:2          # 6 是 2 的倍数，安静回收 -> 2 4 4 6 6 8
1:3 + 1:2          # 长度 3 不是 2 的倍数 -> 触发警告

# 实跑捕获（R 4.5.0）
[1] 20 30 40
[1] 10 50
[1] 30 40 50
[1] 2 4 4 6 6 8
Warning in 1:3 + 1:2 :
  longer object length is not a multiple of shorter object length
[1] 2 4 4

逐行解读：

x[2:4] 取第 2 到第 4 个元素；x[c(1,5)] 用向量指定任意位置，甚至可重复、可乱序。
x[x > 20]：x > 20 先生成 FALSE FALSE TRUE TRUE TRUE 这层"掩码"，再拿它索引 x，留下大于 20 的三个值。这就是 R 版的 WHERE，只是作用在向量上。
1:6 + 1:2：6 是 2 的整数倍，R 安静地把 1 2 循环三遍补齐，得 2 4 4 6 6 8，不报警。
1:3 + 1:2：长度 3 不是 2 的倍数，回收后对不齐，于是抛出警告 longer object length is not a multiple of shorter object length——但注意它只警告不报错，结果 2 4 4 照出，很容易被忽略。

SAS 误区：SAS 里数组越界或长度不匹配通常是硬 ERROR；R 的向量回收却是"善意补位 + 顶多一句警告"。在 mutate(NEW = A + B) 时若 A、B 长度不等（例如 B 只有 1 个或恰好整除），R 会静默回收得到看似合理的结果。GxP 环境里，任何回收警告都必须当作数据 integrity 事件追查，而不是按掉继续跑。

1.5 data.frame 与 tibble

data.frame 是 R 的"数据集"，最接近 SAS DATA set 的心智。tibble 是 tidyverse 对 data.frame 的现代重写：打印更克制、不擅自把字符转 factor、对可疑操作更严格。查看结构用 str()（base）或 glimpse()（dplyr），二者相当于精简版 PROC CONTENTS。

library(dplyr)

# 迷你 ADSL：3 名受试者
adsl_df <- data.frame(
  USUBJID = c("S1", "S2", "S3"),
  ARM     = c("Placebo", "Active", "Placebo"),
  AGE     = c(45, 60, NA),
  stringsAsFactors = FALSE
)
adsl_tb <- tibble::as_tibble(adsl_df)

str(adsl_df)       # base data.frame 结构：类型 + 维度 + 预览
glimpse(adsl_tb)   # tibble / dplyr 视角：更清爽，自动按列换行

# 实跑捕获（R 4.5.0）
'data.frame':	3 obs. of  3 variables:
 $ USUBJID: chr  "S1" "S2" "S3"
 $ ARM    : chr  "Placebo" "Active" "Placebo"
 $ AGE    : num  45 60 NA
Rows: 3
Columns: 3
$ USUBJID <chr> "S1", "S2", "S3"
$ ARM     <chr> "Placebo", "Active", "Placebo"
$ AGE     <dbl> 45, 60, NA

逐行解读：

stringsAsFactors = FALSE：老版本 R 默认把字符列转成 factor，会带来意外；显式关掉是现代习惯（R 4.0+ 已默认 FALSE，但写清楚更稳妥）。
str() 告诉你"3 个观测、3 个变量"，并逐列列出类型（chr/num）和前几个值——这就是你核查 ADSL 结构、确认 AGE 没被读成字符的第一眼。
glimpse() 把同样的信息排得更整齐：先报 Rows/Columns，每列一行，类型用 <chr>/<dbl> 标注，宽数据也能看清，适合放进日志或 QC 记录。

心智对照：把 str()/glimpse() 当成"随手版 PROC CONTENTS"。区别是 SAS 的 CONTENTS 还会给变量创建顺序、标签、格式；R 里这些额外信息要靠 attributes()、labelled 包（haven 导入时带 label）另行查看。

1.6 三范式同做一件事

同一个任务——筛选 ARM=="Placebo" 并按 SITEID 求 AGE 均值——R 有三种主流写法：base、dplyr、data.table。它们结果一致，风格迥异。作为 SAS 用户，你会觉得 base 像 PROC MEANS、dplyr 像读得懂的 SQL、data.table 像带 BY 的高效 DATA step。先都认识，全书主线用 dplyr。

library(dplyr)
library(data.table)

# 迷你 ADSL：跨 3 个中心、含安慰剂组
adsl <- data.frame(
  SITEID = c("01", "01", "02", "02", "03"),
  ARM    = c("Placebo", "Active", "Placebo", "Placebo", "Active"),
  AGE    = c(45, 50, 60, 55, 70),
  stringsAsFactors = FALSE
)

# 范式一：base R 的 aggregate()
base_res <- aggregate(AGE ~ SITEID, data = adsl[adsl$ARM == "Placebo", ], FUN = mean)

# 范式二：dplyr 链式（读作"然后"）
dplyr_res <- adsl |>
  filter(ARM == "Placebo") |>
  group_by(SITEID) |>
  summarise(mean_age = mean(AGE, na.rm = TRUE), .groups = "drop")

# 范式三：data.table 的 DT[i, j, by]
dt <- as.data.table(adsl)
dt_res <- dt[ARM == "Placebo", .(mean_age = mean(AGE)), by = SITEID]

cat("--- base::aggregate ---\n");   print(base_res)
cat("--- dplyr ---\n");             print(as.data.frame(dplyr_res))
cat("--- data.table ---\n");        print(dt_res)

# 实跑捕获（R 4.5.0）
--- base::aggregate ---
  SITEID  AGE
1     01 45.0
2     02 57.5
--- dplyr ---
  SITEID mean_age
1     01     45.0
2     02     57.5
--- data.table ---
   SITEID mean_age
   <char>    <num>
1:     01     45.0
2:     02     57.5

逐行解读：

base：aggregate(AGE ~ SITEID, ...) 用公式语法"AGE 按 SITEID 聚合"，数据先用 adsl[adsl$ARM=="Placebo", ] 行筛选，FUN=mean 指定聚合函数。结果列名沿用 AGE。
dplyr：|> 把上一步结果喂给下一个动词，读作"取 adsl，然后筛 Placebo，然后按中心分组，然后汇总均值"。.groups="drop" 让结果回到普通未分组表，避免后续操作被分组状态干扰。
data.table：dt[i, j, by] 三段式——i 是筛选行（ARM=="Placebo"）、j 是算什么（.(mean_age=mean(AGE))）、by 是按什么分组（SITEID）。语法紧凑、速度快，大数据首选。
三段输出的均值完全一致（中心 01 为 45.0，中心 02 为 57.5），只是列名和排版风格不同。选哪个范式看团队规范与数据量，逻辑是等价的。

1.7 函数与管道

R 的函数是"一等公民"，且有词法作用域：函数只看得见自己的参数和定义它的环境，绝不像 SAS macro 那样到处留全局变量。管道 |> 则让"一步接一步"的数据处理写成一串可读的动词链。

library(lubridate)
library(dplyr)

# 派生年龄：从出生日到参考日的整年数（AGE 派生逻辑）
derive_age <- function(brth, ref) {
  floor(interval(brth, ref) / dyears(1))
}
derive_age(ymd("1975-03-10"), ymd("2024-06-01"))   # 49

# |> 管道链：读 ADSL -> 逐列派生 -> 筛选
adsl <- tibble(
  USUBJID = c("S1", "S2"),
  BRTHDT  = ymd(c("1975-03-10", "1960-11-22")),
  RFSTDTC = ymd(c("2024-06-01", "2024-05-15"))
)
adsl |>
  mutate(AGE = derive_age(BRTHDT, RFSTDTC)) |>
  filter(AGE >= 50)

# 实跑捕获（R 4.5.0）
[1] 49
# A tibble: 1 x 4
  USUBJID BRTHDT     RFSTDTC      AGE
  <chr>   <date>     <date>     <dbl>
1 S2      1960-11-22 2024-05-15    63

逐行解读：

derive_age <- function(brth, ref) {...}：定义一个纯函数，输入出生日与参考日，输出年龄。所有依赖都来自参数，函数体内不碰任何全局变量——这让它可以单元测试、可以在任何脚本复用。
interval(brth, ref) / dyears(1) 算出两个日期间隔相当于多少年（带小数），floor() 向下取整得到周岁。单独调用 derive_age(...) 返回 49。
mutate(AGE = derive_age(BRTHDT, RFSTDTC))：函数是向量化的，一次对整列 BRTHDT、RFSTDTC 逐行算出 AGE 并新增列，无需写循环。
filter(AGE >= 50) 只留下年龄 ≥50 的受试者，结果剩 S2（63 岁）。整条链读下来就是"派生年龄，然后筛选"，与 SAS 的 DATA step + IF 意图一致，但没有隐式的行指针和全局副作用。

SAS 误区：SAS macro 靠 %let/&global 传递中间值，宏跑完常常在符号表里留下一堆全局宏变量，互相污染、难以追踪。R 函数是词法作用域：函数内部的变量出了函数就消失，除非显式 return。迁移时不要再想着"设个全局变量传值"，而应把中间结果作为函数参数传入、作为返回值传出，副作用可控、可测、可审计。

1.8 日期与字符串

临床数据离不开日期解析和文本筛选。lubridate 让日期运算说人话，stringr 提供一致的字符串动词，二者都比 SAS 的日期函数和 PRX 更直观。

library(lubridate)
library(stringr)

# 日期解析与运算：ISO 8601 字符串 -> Date
d <- ymd("2024-06-01")
d + days(30)          # 2024-07-01
year(d)               # 2024
month(d)              # 6
interval(ymd("2024-01-01"), d) / dyears(1)   # 距年初的年数

# 字符串检测：筛选 AE 术语（AETERM）含 "head" 的记录
ae <- c("Headache", "head rash", "Nausea")
str_detect(ae, "Head")                        # 大小写敏感：只命中大写开头
str_detect(ae, regex("head", ignore_case = TRUE))   # 忽略大小写：两者都命中

# 实跑捕获（R 4.5.0）
[1] "2024-07-01"
[1] 2024
[1] 6
[1] 0.4161533
[1]  TRUE FALSE FALSE
[1]  TRUE  TRUE FALSE

逐行解读：

ymd("2024-06-01") 按"年-月-日"把字符串解析成 Date；d + days(30) 直接加 30 天得 7 月 1 日，比 SAS 的整数日期加减可读得多。
year()/month() 抽取日期成分；interval(a, b) / dyears(1) 算出两日期相隔多少年（0.416…），是派生"随访年数""暴露时长"的常用手法。
str_detect(ae, "Head") 大小写敏感，只命中 "Headache"（TRUE FALSE FALSE）；换成 regex("head", ignore_case=TRUE) 后 "Headache" 和 "head rash" 都命中（TRUE TRUE FALSE）。这在 AE 术语按关键词归类时非常实用。

stringr 与 SAS PRX（Perl 正则）的差异，记住这三点即可平滑过渡：

维度	R / stringr	SAS PRX
正则方言	基于 ICU（stringi 引擎）	基于 Perl 正则（PRXPARSE）
反斜杠转义	双引号串里要写两个 `"\\d"` 才表示 `\d`	单引号串里 `'\d'` 直接可用
大小写开关	`regex(..., ignore_case=TRUE)` 显式参数	模式里加 `/i` 修饰符
常用动词	`str_detect / str_extract / str_replace` 一致命名	`PRXMATCH / PRXPOSN / PRXCHANGE` 各写各的

1.9 十大陷阱汇总

把 SAS 用户最容易踩的十个 R 陷阱集中列出，出问题时先回这张表对照：

#	陷阱	说明与避坑
1	`=` 与 `==`	R 里 `=` 主要用于函数参数赋值，比较必须用 `==`；赋值习惯用 `<-`。把 `if (x = 1)` 当比较会直接报错或误赋值。
2	分号可选	R 语句换行即结束，不需要 SAS 那样每条都加分号；分号可写但非必需，一行多语句才用。
3	1-based 相同，但 NA 传播	索引都从 1 开始（同 SAS 数组），别被 Python 的 0 带偏；但 R 的 NA 会在运算里传播，SAS 的 `.` 常被当 0，聚合前务必 `na.rm` 或先处理缺失。
4	factor 转数值	`as.integer(factor)` 返回层级下标而非原值；取回原数值用 `as.numeric(as.character(f))`。
5	字符串比较受 locale	排序/比较结果受 `LC_COLLATE` 影响，跨机器或递交环境可能不同；关键排序显式设定 locale 或 levels，别依赖默认。
6	向量回收	长度不等时短向量静默循环补齐，非整除只警告不报错。看到回收警告一律当数据 integrity 事件追查。
7	`$` 的部分匹配	data.frame 的 `df$AGE` 会部分匹配唯一前缀（可能命中 `AGECAT`），埋隐患；用 `df[["AGE"]]` 精确取，或改用 tibble（默认禁止部分匹配并报错）。
8	print 与自动打印	交互式顶层表达式会自动打印，但在函数内、赋值后或用 Rscript 批跑时不会；需要看结果就显式 `print()`。
9	对象复制语义	R 是"写时复制"的值语义：`y <- x` 后修改 y 不影响 x。别用 SAS"直接改原数据集"的心智，改动要么赋回、要么用管道产出新对象。
10	`library()` 与 `::`	`library(pkg)` 附加整个命名空间，可能掩盖同名函数（如 dplyr 的 filter 掩盖 stats::filter）；对易冲突的函数用 `pkg::fun()` 精确调用更安全、可读性也更好。

章末资源

R for Data Science (2e) — 主线教材，向量/数据框/tidyverse 讲得最清楚，免费在线，配合本章食用入门
Advanced R — 想搞懂强制类型、作用域、回收的底层机制时读它，SAS 老手进阶必读进阶
r4stats — 专门写给 SAS/SPSS 用户的 R 对照教程，逐条翻译你的既有直觉参考
SAS and R 博客 — 同一任务 SAS 与 R 双解法的经典博客，遇到"这个 SAS 怎么写成 R"先来搜参考
Posit Cheatsheets — dplyr/tidyr/stringr/lubridate 速查表，打印贴墙随时对照参考

本章练习

（易）构造 c(1, "2", TRUE)，用 typeof() 和 is.* 族确认它的类型，并解释为什么。
（中）用 1.6 的迷你 ADSL，分别以 base、dplyr、data.table 三种写法算出"各 ARM 组的 AGE 中位数"，核对三者结果一致。
（难）写一个向量化函数 derive_avisit(brth, ref)，用 lubridate 返回受试者在参考日的周岁与"距上次访视天数"，并对含 NA 的日期列验证 NA 传播行为符合预期。

下一章：把这些语言基础落到 CDISC 语境——SDTM 与 ADaM 的数据管理、派生与双编程核对。