read.csv与readr::read_delim导入ID变量结果不同的原因

我导入的是未修改过的原始CSV文件，其中包含非唯一的家庭ID（IDENTHH）和唯一的个体ID（IDENTIND）。根据文档说明，个体ID由家庭ID（长数字序列）加上表示个体排名的数字组成，例如家庭ID为11587492056时，该家庭的个体1对应ID为1158749205601，个体2对应1158749205602。

1. base包read.csv的导入问题 #

使用base包的read.csv导入后，前3条数据的IDENTIND列值全部重复，不符合唯一要求：

print(readcsv2010[1:3, 1:2])

输出结果的结构如下：

structure(list(IDENTHH = c(258001990644611232, 258001990644611232, 
258001990644611232), IDENTIND = c(25800199064461123584, 25800199064461123584, 
25800199064461123584)), row.names = c(NA, 3L), class = "data.frame")

2. readr包read_delim的导入结果 #

使用readr包的read_delim导入后，IDENTIND列呈现正确的结构（家庭ID+唯一数字），但所有ID均带有前导零：

print(readr2010[1:3, 1:2])

输出结果的结构如下：

structure(list(IDENTHH = c("00258001990644611237", "00258001990644611237", 
"00258001990644611237"), IDENTIND = c("0025800199064461123701", 
"0025800199064461123702", "0025800199064461123703")), row.names = c(NA, 
-3L), class = c("tbl_df", "tbl", "data.frame"))

差异原因：函数特性导致，与文件本身无关 #

read.csv问题的核心：浮点数精度限制 #

read.csv默认会将数字格式的列解析为数值型（numeric），而R中的numeric类型属于双精度浮点数，其有效精度仅约15-16位。你的IDENTIND是远超16位的超长数字，超出精度范围后，浮点数无法精确存储不同的长数字，最终导致原本唯一的个体ID被存为相同值，出现重复现象。

同时，原始文件中家庭ID的前导零也会被read.csv自动去除，且因为精度限制，家庭ID的末尾数字也被错误修改（比如原始的00258001990644611237被转成了258001990644611232）。

read_delim的行为逻辑：优先保留原始文本信息 #

read_delim（以及readr包的其他读取函数）默认会自动检测列类型，对于超长数字序列，它会将其识别为**文本型（character）**而非数值型，这样就能完整保留原始字符串的所有字符：包括前导零，以及个体ID末尾用于区分不同个体的数字。这也是它能正确展示个体ID唯一结构的原因。

如果需要去除read_delim结果中的前导零，可以使用stringr::str_remove()等文本处理函数；若尝试用as.numeric()转换，会再次遇到浮点数精度问题，因此建议保留文本型进行后续处理。

内容的提问来源于stack exchange，提问作者Val