write.csv() 导出数据框
把数据框从 R 导出成其他程序也能打开的文件，只需要一次调用：
write.csv(df, "results.csv", row.names = FALSE)
这一行就是要记住的写法，包括 row.names = FALSE，稍后会解释原因。第一个参数是数据框，第二个是文件名，函数没有返回值：它的全部工作就是创建文件这个副作用。
你不必写入磁盘，就能清楚地看到 write.csv() 会输出什么，因为在需要文件名的地方，它接受任何连接，包括只会直接打印的 stdout()：
这就是你的 CSV：一行表头，每行数据一行，文本值用引号括起来，数字不加引号。（加引号是默认的 quote = TRUE；所有主流的 CSV 读取器都能处理，保持默认就好。）写入真实文件也是同样的调用，只要把 stdout() 换成 "results.csv"。
为什么 row.names = FALSE 应该成为默认写法
每个数据框都带有行名，通常就是数字 1、2、3……而 write.csv() 的默认行为是把它们作为额外的第一列写入文件，表头为空。看看默认输出是什么样子，以及这个文件再读回 R 时会发生什么：
导出的文件多了一个没有名字的第一列，里面是 "1"、"2"；重新导入时，read.csv() 必须给它起个名字，于是编出了 X。这就是让每个初学者困惑的神秘 X 列：它不是数据，而是 R 的行号泄漏到了你的文件里。多导出导入几次，你就会积攒出 X、X.1、X.2……
行名几乎从不包含真正的信息；即使包含，这些信息也应该放在一个正式的列里。所以要把 row.names = FALSE 变成条件反射。它本来或许就该是默认值；出于向后兼容的原因它不是，所以这个习惯只能靠你自己养成。
文件保存在哪里
write.csv(df, "results.csv") 会写入 R 的工作目录，如果那不是你预期的位置，文件就好像消失了。其实它并没有失败，只是待在 getwd() 打印出的那个文件夹里。这和读取时的陷阱一模一样，只是方向相反，解决它的也是同样的两个工具：
getwd() # the folder your file went to
write.csv(df, "C:/Users/ada/results/out.csv", row.names = FALSE) # or: remove all doubt
完整路径（正斜杠在所有平台上都能用，包括 Windows）能让脚本毫无歧义。工作目录如何设置和管理，请参阅工作目录。
用 write.table() 处理其他分隔符，以及追加的问题
write.csv() 其实是通用函数 write.table() 的一层薄封装，预先设置好了逗号分隔。当你需要其他格式时，就直接调用 write.table()，最常见的是制表符分隔：
制表符分隔，不加引号，这是很多下游工具偏爱的格式。注意，使用 write.table() 时所有设置都要显式指定；它不会继承 write.csv 的逗号或引号默认值。
write.csv() 拒绝做的一件事是追加：传入 append = TRUE 只会得到一条警告，说这个设置被忽略了，因为追加会把表头行写进文件中间。如果你确实需要向现有 CSV 添加行，比如在多次运行之间记录结果，就退回到 write.table()，并自己去掉表头：
write.table(new_rows, "log.csv", sep = ",",
append = TRUE, col.names = FALSE, row.names = FALSE)
如果你在用 tidyverse，readr::write_csv(df, "out.csv") 就是 read_csv() 的对应函数：输出相同，处理大数据框时更快，而且它根本不会写入行名，又少了一个需要记住的参数。
saveRDS() 和 readRDS()：原样保存与读取
CSV 是一种有损格式。它只存储文本，仅此而已：所以 Date 列会变成字符串 "2026-08-07"，因子会变成它的标签而丢失水平顺序，属性会消失，导入时每种类型都必须重新推断（通常没问题，但有时会出错，说的就是前导零）。而且 CSV 只能存放一张矩形表格：拟合好的模型、列表、带 dimnames 的矩阵，根本没有 CSV 表示形式。
当文件是给 R 用的，比如把今天清洗好的数据保存起来供明天的会话使用时，就完全跳过文本格式：
saveRDS(df, "clean_data.rds") # today
df <- readRDS("clean_data.rds") # tomorrow: identical object, types intact
saveRDS() 精确地序列化一个 R 对象，任何对象都可以。readRDS() 逐字节地把它还原：因子保留水平，日期依然是日期，不需要重新推断任何东西。它适用于任何对象：一个数据框、一个由数据框组成的列表、一个拟合好的回归模型。.rds 文件是压缩的二进制文件，所以通常也比 CSV 更小。唯一的代价是除了 R 没有别的程序能打开它，这正是经验法则的由来：与人和其他工具分享用 CSV，留给自己用 RDS。
save() 和 load()，以及为什么 RDS 通常更好
你还会遇到一对更老的函数。save() 把多个命名对象写入一个 .RData 文件，load() 则把它们恢复到你的工作空间中，并沿用原来的名字：
save(df, model, params, file = "session.RData")
load("session.RData") # df, model, params silently appear
这种便利恰恰就是问题所在。决定变量名的是 load()，而不是你：它在你看不到的情况下把对象放进你的环境，并悄悄覆盖任何同名的已有对象。六个月后，如果不加载一下，谁也不记得 session.RData 里到底装了什么。
readRDS() 的接口则坦率得多：名字由你来选（df <- readRDS(...)），不会有东西在背后被覆盖，而且一个文件就是一个对象。除非你确实需要把多个对象打包进一个文件，否则优先使用 RDS。（如果真的需要打包，把这些对象放进一个命名列表，再对这个列表调用 saveRDS()，效果相同，也不会有意外。）
本节要点
write.csv(df, "out.csv", row.names = FALSE)就是导出的全部，没错，每次都要加row.names = FALSE。- 重新导入时出现的神秘
X列，是行名泄漏到了文件里；默认值会写入行名，你不应该这样做。 - 文件保存在工作目录中：用
getwd()找回“丢失”的导出文件，用完整路径防止文件“丢失”。 write.table()能处理其他分隔符，还能（配合col.names = FALSE）真正地追加；write.csv()则故意不支持追加。saveRDS()/readRDS()能原样保存和读取任何 R 对象，类型、因子和属性都完好无损。分享用 CSV，自己用 RDS。- 优先使用 RDS 而不是
save()/load()：名字明确，不会悄悄覆盖。
下一节：一种值得单独讲一页的数据类型，免得它在导入时坑了你：日期。
常见问题
R 中如何把数据框导出为 CSV？
write.csv(df, "output.csv", row.names = FALSE)。row.names = FALSE 这部分很重要：没有它，R 会把内部的行号作为额外的第一列写入文件，任何人再导入这个文件时，都会看到一个莫名其妙、名为 X 的列。
为什么导出的 CSV 读回来时多了一个 X 列？
因为 write.csv 的默认值是 row.names = TRUE：它把行号作为一个没有列名的第一列写了进去，而 read.csv 在读回时给这一列取名为 X。用 row.names = FALSE 导出，这个幽灵列就会消失。
R 中 write.csv 和 saveRDS 有什么区别？
write.csv 生成任何人都能打开的纯文本表格，但它只保存文本：因子水平、Date 类型、属性以及非表格对象都会被扁平化或丢失，导入时还得重新推断类型。saveRDS 逐字节保存一个 R 对象；readRDS 会原样还原它。与他人分享用 CSV，留给自己的 R 会话用 RDS。
write.csv 把文件保存在哪里？
除非你给出完整路径，否则保存在 R 当前的工作目录中。运行 getwd() 查看它在哪里：如果你的文件好像不见了，它就在 getwd() 打印出的那个文件夹里。传入类似 "C:/Users/ada/results/out.csv" 的完整路径就能消除歧义。
