拼接生成的长ID：字符转数值后数值变更及重复值差异原因咨询

核心原因：浮点数精度限制 #

当拼接生成的字符型ID长度超过15位有效数字时，转换成数值型（不管是R的as.numeric()还是Stata的数值类型）都会触发精度丢失。计算机用二进制存储浮点数，无法精确表示所有十进制长整数，超过精度范围后，末尾数字会被近似处理，导致原本唯一的ID变成重复值，或是原本相同的ID被误判为不同，这就是两个duplicated结果差异巨大的根源。

验证方法 #

挑一个出问题的ID直接对比就能看到差异：

# 取第一个重复数值型ID对应的字符版
test_char <- id_viv$id_viv_char[which(duplicated(id_viv$id_viv))[1]]
# 转成数值后再转回字符串
test_num_char <- as.character(as.numeric(test_char))

cat("原字符ID：", test_char, "\n转数值后再转回：", test_num_char, "\n")

你会发现转数值后的字符串末尾几位和原字符ID完全对不上，这就是精度丢失的直接证据。

解决方案 #

1. 优先用字符型存储ID：ID是标识用途的字符串，不是用于计算的数值，直接保留字符格式能彻底避免所有精度问题。
2. 非要用数值型的话（不推荐）：
   • R中可以用bit64包的as.integer64()存储64位整数，支持最多18位有效数字，能覆盖大部分长ID需求：

     library(bit64)
     id_viv <- SD %>%           
       mutate(id_viv = as.integer64(paste0(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_pro_viv)),
              id_viv_char = paste0(cd_a, ent, con, v_sel, n_hog, h_mud, n_ren, n_pro_viv))
     

   • Stata中如果ID长度在10位内用long类型，15位内用double类型，但超过15位仍建议用字符型str存储。

内容的提问来源于stack exchange，提问作者Alexis SM