r - R 中字符的对象大小 - R 全局字符串池如何工作？

Question

我正在阅读 Hadley 的高级 R 编程，当它讨论字符的内存大小时，它说:

R has a global string pool. This means that each unique string is only stored in one place, and therefore character vectors take up less memory than you might expect.

本书给出的例子是这样的:

library(pryr)
object_size("banana")
#> 96 B
object_size(rep("banana", 10))
#> 216 B

本节的一个练习是比较这两个字符向量:

vec <- lapply(0:50, function(i) c("ba", rep("na", i)))
str <- lapply(vec, paste0, collapse = "")

object_size(vec)
13.4 kB

object_size(str)
8.74 kB

现在，既然文章指出 R 有一个全局字符串池，并且向量 vec 主要由两个字符串(“ba”和“na”)的重复组成，我实际上会 - 直观地- 期望 vec 的大小小于 str 的大小。

所以我的问题是:如何才能最准确地预先估计这些向量的大小？

Answer 1

主要区别在于 vec 中的指针:每个短标量字符串 (CHARSXP) 都必须从相应的字符串向量 (STRSXP) 中指向。 vec 中有大约 1326 个这样的字符串指针，但 str 中只有 51 个(在您的平台上，指针可能是 8 个字节)。该池用于标量字符串(又名 CHARSXP 缓存)。另一个不明显的因素是内部碎片，例如在我的系统上，标量字符串的大小相同，无论它是否有 0 到 7 个字符，8 个字符的字符串只需要更多，依此类推。请参阅以下重复大小:

unlist(sapply(str, object.size))

[1] 96 96 96 104 104 104 104 120 120 120 120 120 120 120 120 136 136 136 136

[20] 136 136 136 136 152 152 152 152 152 152 152 152 216 216 216 216 216 216 216

[39] 216 216 216 216 216 216 216 216 216 216 216 216 216

然而，这些是 R 的内存管理器的实现细节，可能会改变，在用户程序中不应该以任何方式依赖它们 - 使用另一个对象布局/内存管理器，str 可以使用更多空间大于 vec。