12  Datentypen

Wir haben in den letzten Kapiteln bereits die (atomaren) Datentypen logical, integer, double und character kennengelernt. An der Datentabelle nycflights sehen wir, dass es noch weitere Typen gibt. Wir wollen in diesem Kapitel ein wenig Struktur in die Datentypen bringen und die atomaren Datentypen von den zusammengesetzten Daten, die wir auch Datenstrukturen nennen, abgrenzen.

12.1 Atomare Datentypen

In der Tabelle 17.2 sind die sechs atomaren Datentypen mit den Kurznamen, wie sie in einem Tibble auftauchen, sowie Beispielen aufgeführt.

Tabelle 12.1: In R gibt es sechs verschiedene atomare Datentypen. Alle anderen Datentypen bzw. Datenstrukturen werden aus diesen zusammengesetzt. Der Typ raw ist nur der Vollständigkeit halber aufgeführt und wird im Wesentlichen nicht benötigt. Werte vom Typ raw sind nicht interpretierte Speicherwerte.

Name	Kurzname	Erklärung	Beispiele
raw	<raw>	Rohdaten (Byte-Darstellung) (selten!)	as.raw(255)
logical	<lgl>	Logischer Ausdruck	TRUE, T, FALSE, F
integer	<int>	ganze Zahlen	2, 4L, -7
double	<dbl>	Fließkommazahlen	1.2, pi, 3e-7
complex	<cpl>	Komplexe Zahlen	2+3i, 0-1i
character	<chr>	Zeichenketten	"Haus", "K2", "110_112"

Vektoren sind die zugrunde liegende Strukturform, in der Daten in R gespeichert werden. Mit der Funktion typeof() können wir bei einem R-Objekt den Datentyp herausfinden.

u <- c("Angela", "Pamela", "Sandra", "Rita")
v <- c(1.2, pi, -0.12)
w <- c(1L, 3L, -4L)
x <- c(TRUE, FALSE, NA)

typeof(u)

[1] "character"

typeof(v)

[1] "double"

typeof(w)

[1] "integer"

typeof(x)

[1] "logical"

12.1.1 Die Funktionen is.<datentyp>()

x	is.numeric()	is.integer()	is.logical()	is.character()	is.na()
2.9	TRUE	FALSE	FALSE	FALSE	FALSE
0	TRUE	FALSE	FALSE	FALSE	FALSE
4L	TRUE	TRUE	FALSE	FALSE	FALSE
0L	TRUE	TRUE	FALSE	FALSE	FALSE
TRUE	FALSE	FALSE	TRUE	FALSE	FALSE
FALSE	FALSE	FALSE	TRUE	FALSE	FALSE
“A”	FALSE	FALSE	FALSE	TRUE	FALSE
“TRUE”	FALSE	FALSE	FALSE	TRUE	FALSE
“FALSE”	FALSE	FALSE	FALSE	TRUE	FALSE
NA	FALSE	FALSE	TRUE	FALSE	TRUE

12.1.2 Die Funktionen as.<datentyp>()

x	as.numeric()	as.integer()	as.logical()	as.character()
2.9	2.9	2L	TRUE	“2.9”
0	0	0L	FALSE	“0”
4L	4	4L	TRUE	“4”
0L	0	0L	FALSE	“0”
TRUE	1	1L	TRUE	“TRUE”
FALSE	0	0L	FALSE	“FALSE”
“A”	NA	NA	NA	“A”
“TRUE”	NA	NA	TRUE	“TRUE”
“FALSE”	NA	NA	FALSE	“FALSE”
NA	NA	NA	NA	NA

12.2 Kategoriale und geordnete Typen

(Geordnete) Faktoren benötigt man immer dann, wenn es für ein Merkmal endlich viele bekannte und feste Ausprägungen, die Levels, gibt. Wir werden uns in Kapitel 15 noch damit beschäftigen.

Name	Kurzname	Erklärung	Beispiele
factor	<fct>	Kategoriale Merkmale mit festen Levels	"rot", "blau", "grün"
ordered	<ord>	Geordnete kategoriale Merkmale	"klein" < "mittel" < "groß"

12.3 Zeitbezogene Typen

Name	Kurzname	Erklärung	Beispiele
📅 date	<date>	Datum (ohne Zeit)	as.Date("2023-09-22")
⏰ datetime	<dttm>	Datum und Uhrzeit (POSIXct)	as.POSIXct("2025-10-21 11:20:00")
⏳ difftime	<difftime>	Zeitdifferenz zwischen zwei Daten/Zeitpunkten	difftime(Sys.time(), start)
📈 ts (time series)	<ts>	Zeitreihenobjekt mit fester Frequenz	ts(1:10, start=2020, freq=4)

12.4 Zusammengesetzte Datenstrukturen

Name	Kurzname	Erklärung	Beispiele
📚 list	<list>	Sammlung beliebiger Objekte (heterogen)	list(1, "a", TRUE)
🧮 matrix	<mtrx>	2D-Array gleichen Datentyps	matrix(1:6, ncol=2)
🧊 array	<arr>	Mehrdimensionale Datenstruktur gleichen Typs	array(1:8, dim=c(2,2,2))
📊 data.frame	<df>	Tabellarische Struktur mit Spalten unterschiedlichen Typs	data.frame(x=1:3, y=c("a","b","c"))
📘 tibble	<tbl>	Moderne Variante von data.frame (tidyverse)	tibble(x=1:3, y=c("a","b","c"))