Arrow 具有丰富的数据类型系统，其中包括许多 R 数据类型的直接类似物，以及许多 R 中没有对应物的数据类型。本文介绍了 Arrow 类型系统，将其与 R 数据类型进行了比较，并概述了从 Arrow 传输到 R 时使用的默认映射。在文章的末尾，有两个查找表：一个描述了默认的“R 到 Arrow”类型映射，另一个描述了“Arrow 到 R”映射。
动机示例
为了说明需要进行的转换，请考虑当我们使用 dplyr::glimpse() 来检查原始格式（作为 R 中的数据框）的 starwars 数据时的输出与当我们首先通过调用 arrow_table() 将其转换为 Arrow Table 时的输出之间的差异。
## Rows: 87
## Columns: 14
## $ name <chr> "Luke Skywalker", "C-3PO", "R2-D2", "Darth Vader", "Leia Or~
## $ height <int> 172, 167, 96, 202, 150, 178, 165, 97, 183, 182, 188, 180, 2~
## $ mass <dbl> 77.0, 75.0, 32.0, 136.0, 49.0, 120.0, 75.0, 32.0, 84.0, 77.~
## $ hair_color <chr> "blond", NA, NA, "none", "brown", "brown, grey", "brown", N~
## $ skin_color <chr> "fair", "gold", "white, blue", "white", "light", "light", "~
## $ eye_color <chr> "blue", "yellow", "red", "yellow", "brown", "blue", "blue",~
## $ birth_year <dbl> 19.0, 112.0, 33.0, 41.9, 19.0, 52.0, 47.0, NA, 24.0, 57.0, ~
## $ sex <chr> "male", "none", "none", "male", "female", "male", "female",~
## $ gender <chr> "masculine", "masculine", "masculine", "masculine", "femini~
## $ homeworld <chr> "Tatooine", "Tatooine", "Naboo", "Tatooine", "Alderaan", "T~
## $ species <chr> "Human", "Droid", "Droid", "Human", "Human", "Human", "Huma~
## $ films <list> <"A New Hope", "The Empire Strikes Back", "Return of the J~
## $ vehicles <list> <"Snowspeeder", "Imperial Speeder Bike">, <>, <>, <>, "Imp~
## $ starships <list> <"X-wing", "Imperial shuttle">, <>, <>, "TIE Advanced x1",~glimpse(arrow_table(starwars))## Table
## 87 rows x 14 columns
## $ name <string> "Luke Skywalker", "C-3PO", "R2-D2", "Darth Vader", "Leia~
## $ height <int32> 172, 167, 96, 202, 150, 178, 165, 97, 183, 182, 188, 180~
## $ mass <double> 77.0, 75.0, 32.0, 136.0, 49.0, 120.0, 75.0, 32.0, 84.0, ~
## $ hair_color <string> "blond", NA, NA, "none", "brown", "brown, grey", "brown"~
## $ skin_color <string> "fair", "gold", "white, blue", "white", "light", "light"~
## $ eye_color <string> "blue", "yellow", "red", "yellow", "brown", "blue", "blu~
## $ birth_year <double> 19.0, 112.0, 33.0, 41.9, 19.0, 52.0, 47.0, NA, 24.0, 57.~
## $ sex <string> "male", "none", "none", "male", "female", "male", "femal~
## $ gender <string> "masculine", "masculine", "masculine", "masculine", "fem~
## $ homeworld <string> "Tatooine", "Tatooine", "Naboo", "Tatooine", "Alderaan",~
## $ species <string> "Human", "Droid", "Droid", "Human", "Human", "Human", "H~
## $ films <list<...>> <"A New Hope", "The Empire Strikes Back", "Return of the~
## $ vehicles <list<...>> <"Snowspeeder", "Imperial Speeder Bike">, <>, <>, <>, "I~
## $ starships <list<...>> <"X-wing", "Imperial shuttle">, <>, <>, "TIE Advanced x1~
## Call `print()` for full schema details表示的数据本质上是相同的，但是列的数据类型的描述已更改。 例如
-
name在数据框中标记为<chr>(字符向量)； 在 Arrow Table 中标记为<string>(字符串类型，也称为 utf8 类型) -
height在数据框中标记为<int>(整数向量)； 在 Arrow Table 中标记为<int32>(32 位有符号整数) -
mass在数据框中标记为<dbl>(数值向量)； 在 Arrow Table 中标记为<double>(64 位浮点数)
这些差异有些纯粹是表面上的：R 中的整数实际上是 32 位有符号整数，因此 Arrow 和 R 中的底层数据类型彼此直接类似。 在其他情况下，差异纯粹是关于实现：Arrow 和 R 有不同的方法来存储字符串向量，但是在较高的抽象级别上，R 字符类型和 Arrow 字符串类型可以被视为直接类似物。 但是，在某些情况下，没有明确的类似物：尽管 Arrow 具有 POSIXct (时间戳类型) 的类似物，但它没有 POSIXlt 的类似物； 相反，虽然 R 可以表示 32 位有符号整数，但它没有等效的 64 位无符号整数。
当 arrow 包在 R 数据和 Arrow 数据之间进行转换时，它将首先检查是否已提供 Schema - 有关更多信息，请参见 schema() - 如果没有可用的 Schema，它将尝试通过遵循默认映射来猜测适当的类型。 本文末尾提供了这些映射的完整列表，但下图描述了最常见的情况
在此图中，黑框是指 R 数据类型，浅蓝色框是指 Arrow 数据类型。 方向箭头指定转换（例如，逻辑 R 类型和布尔 Arrow 类型之间的双向箭头表示逻辑 R 转换为 Arrow 布尔值，反之亦然）。 实线表示此转换规则始终是默认值； 虚线表示它仅有时适用（规则和特殊情况如下所述）。
逻辑/布尔类型
Arrow 和 R 都使用三值逻辑。 在 R 中，逻辑值可以是 TRUE 或 FALSE，NA 用于表示缺失数据。 在 Arrow 中，相应的布尔类型可以采用值 true、false 或 null，如下所示
chunked_array(c(TRUE, FALSE, NA), type = boolean()) # default## ChunkedArray
## <bool>
## [
## [
## true,
## false,
## null
## ]
## ]严格来说，没有必要在此示例中设置 type = boolean()，因为 arrow 中的默认行为是将 R 逻辑向量转换为 Arrow 布尔值，反之亦然。 但是，为了清楚起见，我们将在本文中明确指定数据类型。 我们还将使用 chunked_array() 从 R 对象创建 Arrow 数据，并使用 as.vector() 从 Arrow 对象创建 R 数据，但如果我们使用其他方法，则会获得类似的结果。
整数类型
基本 R 本机仅支持一种整数类型，使用 32 位来表示 -2147483648 到 2147483647 之间的有符号数，尽管 R 还可以通过 bit64 包支持 64 位整数。 Arrow 从 C++ 继承有符号和无符号整数类型，分为 8 位、16 位、32 位和 64 位版本
| 描述 | 数据类型函数 | 最小值 | 最大值 |
|---|---|---|---|
| 8 位无符号 | uint8() |
0 | 255 |
| 16 位无符号 | uint16() |
0 | 65535 |
| 32 位无符号 | uint32() |
0 | 4294967295 |
| 64 位无符号 | uint64() |
0 | 18446744073709551615 |
| 8 位有符号 | int8() |
-128 | 127 |
| 16 位有符号 | int16() |
-32768 | 32767 |
| 32 位有符号 | int32() |
-2147483648 | 2147483647 |
| 64 位有符号 | int64() |
-9223372036854775808 | 9223372036854775807 |
默认情况下，arrow 将 R 整数转换为 Arrow 中的 int32 类型，但是您可以通过显式指定另一个整数类型来覆盖此设置
chunked_array(c(10L, 3L, 200L), type = int32()) # default## ChunkedArray
## <int32>
## [
## [
## 10,
## 3,
## 200
## ]
## ]chunked_array(c(10L, 3L, 200L), type = int64())## ChunkedArray
## <int64>
## [
## [
## 10,
## 3,
## 200
## ]
## ]如果 R 中的值不在相应 Arrow 类型允许的范围内，则 arrow 将引发错误
chunked_array(c(10L, 3L, 200L), type = int8())## Error: Invalid: value outside of range从 Arrow 转换为 R 时，整数类型始终转换为 R 整数，除非应用以下异常之一
- 如果 Arrow uint32 或 uint64 的值超出 R 整数允许的范围，则结果将是 R 中的数值向量
- 如果 Arrow int64 变量的值超出 R 整数允许的范围，则结果将是 R 中的
bit64::integer64向量 - 如果用户设置
options(arrow.int64_downcast = FALSE)，则无论值如何，Arrow int64 类型始终产生 R 中的bit64::integer64向量
浮点数值类型
R 有一种双精度 (64 位) 数值类型，默认情况下转换为 Arrow 64 位浮点类型。 Arrow 支持单精度 (32 位) 和双精度 (64 位) 浮点数，分别使用 float32() 和 float64() 数据类型函数指定。 这两者都在 R 中转换为双精度型。 示例如下所示
chunked_array(c(0.1, 0.2, 0.3), type = float64()) # default## ChunkedArray
## <double>
## [
## [
## 0.1,
## 0.2,
## 0.3
## ]
## ]chunked_array(c(0.1, 0.2, 0.3), type = float32())## ChunkedArray
## <float>
## [
## [
## 0.1,
## 0.2,
## 0.3
## ]
## ]arrow_double <- chunked_array(c(0.1, 0.2, 0.3), type = float64())
as.vector(arrow_double)## [1] 0.1 0.2 0.3请注意，Arrow 规范还允许半精度 (16 位) 浮点数，但这些尚未实现。
定点十进制类型
Arrow 还包含 decimal() 数据类型，其中数值以十进制格式而不是二进制格式指定。 Arrow 中的十进制数有两种类型，一种是 128 位版本，另一种是 256 位版本，但是在大多数情况下，用户应该能够使用更通用的 decimal() 数据类型函数，而不是特定的 decimal128() 和 decimal256() 函数。
Arrow 中的十进制类型是固定精度数字 (而不是浮点数)，这意味着有必要显式指定 precision 和 scale 参数
-
precision指定要存储的有效数字位数。 -
scale指定应存储在小数点后的位数。 如果设置scale = 2，则将在小数点后存储正好两位数字。 如果设置scale = 0，则值将四舍五入到最接近的整数。 也允许使用负比例 (在处理极大数字时非常方便)，因此scale = -2将值存储到最接近的 100。
因为 R 没有以本机方式创建十进制类型的任何方法，所以下面的示例有点迂回。 首先，我们将一些浮点数创建为 Chunked Arrays，然后在 Arrow 中显式地将这些转换为十进制类型。 这是可能的，因为 Chunked Array 对象具有 cast() 方法
arrow_floating <- chunked_array(c(.01, .1, 1, 10, 100))
arrow_decimals <- arrow_floating$cast(decimal(precision = 5, scale = 2))
arrow_decimals## ChunkedArray
## <decimal128(5, 2)>
## [
## [
## 0.01,
## 0.10,
## 1.00,
## 10.00,
## 100.00
## ]
## ]尽管 R 中没有本机使用十进制类型，但在避免浮点运算中出现的问题尤为重要的情况下，十进制类型可能会很有用。
字符串/字符类型
R 使用单一字符类型来表示字符串，而 Arrow 有两种类型。 在 Arrow C++ 库中，这些类型被称为字符串和 large_strings，但为了避免 arrow R 包中的歧义，它们使用 utf8() 和 large_utf8() 数据类型函数定义。 这两种 Arrow 类型之间的区别对于 R 用户来说可能并不重要，尽管有关数据对象布局的文章讨论了这种区别。
默认行为是将 R 字符向量转换为 utf8/字符串类型，并将两种 Arrow 类型都转换为 R 字符向量
strings <- chunked_array(c("oh", "well", "whatever"))
strings## ChunkedArray
## <string>
## [
## [
## "oh",
## "well",
## "whatever"
## ]
## ]as.vector(strings)## [1] "oh" "well" "whatever"因子/字典类型
Arrow 中 R 因子的类似物是字典类型。 因子转换为字典，反之亦然。 为了说明这一点，让我们在 R 中创建一个小的因子对象
## [1] cat dog pig dog
## Levels: cat dog pig转换为 Arrow 时，这是产生的字典
dict <- chunked_array(fct, type = dictionary())
dict## ChunkedArray
## <dictionary<values=string, indices=int32>>
## [
##
## -- dictionary:
## [
## "cat",
## "dog",
## "pig"
## ]
## -- indices:
## [
## 0,
## 1,
## 2,
## 1
## ]
## ]转换回 R 时，我们恢复了原始因子
as.vector(dict)## [1] cat dog pig dog
## Levels: cat dog pigArrow 字典比 R 因子稍微灵活一些：字典中的值不一定必须是字符串，但因子中的标签必须是字符串。 因此，Arrow 字典中的非字符串值在转换为 R 时会强制转换为字符串。
日期类型
在 R 中，日期通常使用 Date 类表示。 在内部，Date 对象是一种数值类型，其值计算自 Unix 纪元开始 (1970 年 1 月 1 日) 以来的天数。 Arrow 提供了两种可用于表示日期的数据类型：date32 类型和 date64 类型。 date32 类型类似于 R 中的 Date 类：在内部，它存储一个 32 位整数，该整数计算自 1970 年 1 月 1 日以来的天数。 arrow 中的默认设置是将 R Date 对象转换为 Arrow date32 类型
## [1] "1989-06-15" "1991-09-24" "1993-09-13"nirvana_32 <- chunked_array(nirvana_album_dates, type = date32()) # default
nirvana_32## ChunkedArray
## <date32[day]>
## [
## [
## 1989-06-15,
## 1991-09-24,
## 1993-09-13
## ]
## ]Arrow 还提供了更高精度的 date64 类型，其中日期表示为 64 位整数，该整数编码自 1970-01-01 00:00 UTC 以来的毫秒数
nirvana_64 <- chunked_array(nirvana_album_dates, type = date64())
nirvana_64## ChunkedArray
## <date64[ms]>
## [
## [
## 1989-06-15,
## 1991-09-24,
## 1993-09-13
## ]
## ]从 Arrow 到 R 的转换有所不同。 在内部，date32 类型与 R Date 非常相似，因此这些对象作为 Date 转换为 R
## [1] "Date"但是，由于 date64 类型被指定为毫秒级精度，因此它们被转换为 R 作为 POSIXct 时间，以避免丢失相关信息的可能性
## [1] "POSIXct" "POSIXt"时间/时间戳类型
在 R 语言中，有两种类用于表示日期和时间信息，POSIXct 和 POSIXlt。而 Arrow 只有一个：时间戳类型。Arrow 时间戳与 POSIXct 类松散地类似。在内部，POSIXct 对象将日期表示为一个数值变量，该变量存储自 1970-01-01 00:00 UTC 以来的秒数。在内部，Arrow 时间戳是一个 64 位整数，用于计算自 1970-01-01 00:00 UTC 以来的毫秒数。
Arrow 和 R 都支持时区信息，但在打印的对象中以不同的方式显示它。在 R 中，本地时间打印时，时区名称紧邻其旁
sydney_newyear <- as.POSIXct("2000-01-01 00:01", tz = "Australia/Sydney")
sydney_newyear## [1] "2000-01-01 00:01:00 AEDT"当转换为 Arrow 时，此 POSIXct 对象变为 Arrow 时间戳对象。但是，在打印时，时间点始终以 UTC 而非本地时间显示
sydney_newyear_arrow <- chunked_array(sydney_newyear, type = timestamp())
sydney_newyear_arrow## ChunkedArray
## <timestamp[s]>
## [
## [
## 1999-12-31 13:01:00
## ]
## ]但是，时区信息不会丢失，我们可以通过将 sydney_newyear_arrow 对象转换回 R POSIXct 对象来轻松地看到这一点
as.vector(sydney_newyear_arrow)## [1] "1999-12-31 13:01:00 UTC"对于 POSIXlt 对象，行为有所不同。在内部，POSIXlt 对象是一个列表，用于根据各种与人相关的字段指定“本地时间”。在 Arrow 中没有与此类似的类，因此默认行为是将其转换为 Arrow 列表。
一天中的时间类型
基础 R 没有一个类来表示独立于日期的一天中的时间（即，如果不提及特定日期，则无法指定“下午 3 点”），但在 hms 包的帮助下可以做到这一点。在内部，hms 对象始终存储为自 00:00:00 以来的秒数。
Arrow 有两种数据类型用于此目的。对于 time32 类型，数据存储为 32 位整数，该整数被解释为自 00:00:00 以来的秒数或毫秒数。请注意以下区别
time_of_day <- hms::hms(56, 34, 12)
chunked_array(time_of_day, type = time32(unit = "s"))## ChunkedArray
## <time32[s]>
## [
## [
## 12:34:56
## ]
## ]chunked_array(time_of_day, type = time32(unit = "ms"))## ChunkedArray
## <time32[ms]>
## [
## [
## 12:34:56.000
## ]
## ]time64 对象类似，但使用 64 位整数存储一天中的时间，并且可以以更高的精度表示时间。可以选择微秒 (unit = "us") 或纳秒 (unit = "ns")，如下所示
chunked_array(time_of_day, type = time64(unit = "us"))## ChunkedArray
## <time64[us]>
## [
## [
## 12:34:56.000000
## ]
## ]chunked_array(time_of_day, type = time64(unit = "ns"))## ChunkedArray
## <time64[ns]>
## [
## [
## 12:34:56.000000000
## ]
## ]Arrow 中的所有版本的 time32 和 time64 对象都会转换为 R 中的 hms 时间。
持续时间类型
时间长度在 R 中表示为 difftime 对象。Arrow 中类似的数据类型是 duration 类型。duration 类型存储为 64 位整数，可以表示秒数（默认值，unit = "s"）、毫秒数（unit = "ms"）、微秒数（unit = "us"）或纳秒数（unit = "ns"）。为了说明这一点，我们将在 R 中创建一个对应于 278 秒的 difftime
len <- as.difftime(278, unit = "secs")
len## Time difference of 278 secs转换为 Arrow 看起来像这样
chunked_array(len, type = duration(unit = "s")) # default## ChunkedArray
## <duration[s]>
## [
## [
## 278
## ]
## ]chunked_array(len, type = duration(unit = "ns"))## ChunkedArray
## <duration[ns]>
## [
## [
## 278000000000
## ]
## ]无论底层单位如何，Arrow 中的 duration 对象都会转换为 R 中的 difftime 对象。
默认转换列表
上面的讨论涵盖了最常见的情况。本节中的两个表提供了更完整的列表，说明了 arrow 如何在 R 数据类型和 Arrow 数据类型之间进行转换。在这些表中，带有 - 的条目当前未实现。
从 R 到 Arrow 的转换
| 原始 R 类型 | 转换后的 Arrow 类型 |
|---|---|
| logical | boolean |
| integer | int32 |
| double (“numeric”) | float64 1 |
| character | utf8 2 |
| factor | dictionary |
| raw | uint8 |
| Date | date32 |
| POSIXct | timestamp |
| POSIXlt | struct |
| data.frame | struct |
| list 3 | list |
| bit64::integer64 | int64 |
| hms::hms | time32 |
| difftime | duration |
| vctrs::vctrs_unspecified | null |
1: float64 和 double 在 Arrow C++ 中是相同的概念和数据类型；但是，在 arrow 中仅使用 float64() 作为函数，因为 double() 已经存在于基础 R 中
2: 如果字符向量超过 2GB 的字符串，它将被转换为 large_utf8 Arrow 类型
3: 只有所有元素类型相同的列表才能转换为 Arrow 列表类型（它是某种类型的“列表”）。
从 Arrow 到 R 的转换
| 原始 Arrow 类型 | 转换后的 R 类型 |
|---|---|
| boolean | logical |
| int8 | integer |
| int16 | integer |
| int32 | integer |
| int64 | integer 1 |
| uint8 | integer |
| uint16 | integer |
| uint32 | integer 1 |
| uint64 | integer 1 |
| float16 | - 2 |
| float32 | double |
| float64 | double |
| utf8 | character |
| large_utf8 | character |
| binary | arrow_binary 3 |
| large_binary | arrow_large_binary 3 |
| fixed_size_binary | arrow_fixed_size_binary 3 |
| date32 | Date |
| date64 | POSIXct |
| time32 | hms::hms |
| hms::hms | hms::hms |
| timestamp | POSIXct |
| duration | difftime |
| decimal | double |
| dictionary | factor 4 |
| list | arrow_list 5 |
| large_list | arrow_large_list 5 |
| fixed_size_list | arrow_fixed_size_list 5 |
| struct | data.frame |
| null | vctrs::vctrs_unspecified |
| map | arrow_list 5 |
| union | - 2 |
1: 这些整数类型可能包含超出 R 的 integer 类型（32 位有符号整数）范围的值。当它们这样做时，uint32 和 uint64 将转换为 double (“numeric”)，并且 int64 将转换为 bit64::integer64。可以通过设置 options(arrow.int64_downcast = FALSE) 来禁用此转换（以便 int64 始终生成 bit64::integer64 向量）。
2: 某些 Arrow 数据类型当前没有 R 等效项，如果强制转换到模式或通过模式映射到模式，则会引发错误。
3: arrow*_binary 类实现为原始向量的列表。
4: 由于 R 因子的限制，如果 Arrow dictionary 值在转换为 R 时不是字符串，则会强制转换为字符串。
5: arrow*_list 类实现为 vctrs_list_of 的子类，其 ptype 属性设置为空值 Array 的值类型转换成的类型。