在 R 中，因子是否能以某种方式节省空间？

Question

如果您的.csv文件中大多数变量的大多数值都是重复的，则该文件的最终文件大小将不会很小，因为没有压缩。但是，如果将.csv文件读入 R 并将适当的变量强制转换为因子，那么数据帧或 tibble 是否会产生某种压缩优势？在整个数据帧或小标题中重复因素似乎是一个很好的压缩机会，但我不知道这是否真的发生。

我尝试在网上搜索这个问题，但没有找到答案。我不确定在哪里寻找因素的实施方式。

Answer 1

您要查找的文档位于?factor帮助页面：

factor返回“factor”类的对象，该对象具有一组长度为 x 的整数代码，具有模式字符的“levels”属性和唯一的 ( !anyDuplicated(.)) 条目。

因此，因子实际上只是一个integer向量以及整数与其标签/级别之间的映射（存储为属性）。如果有重复，可以很好地节省空间！

然而，后来我们看到：

笔记

在 R 的早期版本中，如果重复的比例很小，则将字符数据存储为因子会更节省空间。然而，相同的字符串现在共享存储，因此在大多数情况下差异很小。（整数值存储在 4 个字节中，而每个对字符串的引用需要 4 或 8 个字节的指针。）

因此，在旧版本的 R 因子中，空间效率可能更高，但新版本优化了character向量存储，因此这种差异并没有那么大。

我们可以看到当前的差异：

n = 1e6
char = sample(letters, size = n, replace = T)
fact = factor(char)

object.size(char)
# 8001504 bytes
object.size(fact)
# 4002096 bytes