r - 为什么在 R 中更改 stringsAsFactors 会更改文件大小？

Question

我从 PostgreSQL 数据库中提取了一组数据，以便在 R 中使用它。在处理它的过程中，我经常被某些领域中的因素绊倒，而我不希望这些因素成为因素。因此，我返回到用于提取数据的代码，并确保设置了 options(stringsAsFactors = FALSE)。

存储提取数据的原始 .RData 文件(五个表，加上一个存储数据提取时间的变量)大约为 800MB。更新版本中，字符串未作为因子存储，超过 2GB。除了将 stringsAsFactors 设置为 false 外，数据库或我的代码中没有任何变化。

我最初的怀疑是因子水平对于存储文本更有效，因为实际文本将作为水平存储一次，然后每个值将被分配给一个水平。但我认为这是不对的——我的理解是 R 中的因素 是 字符数据，结构在上面。因此，在那种情况下，我认为文件大小不会有任何有意义的差异。

那么，我的问题是:为什么将 stringsAsFactors 从 TRUE 更改为 FALSE 会以如此大的方式改变结果数据的大小？

Answer 1

将问题的评论整合为答案。

前面的底线:R 因子是带有附加标签的数值向量，它们使用字符运算和比较。这与 SAS 不同，在 SAS 中，类别是通过将独立因子应用于数值变量来创建的，并且使用数值运算和比较。

大体上，我最初怀疑因素是分配给设置文本字符串的数值是正确的。 SAS 和 R 处理此问题的方式存在一些差异，这是我提出问题的原因。

简而言之，SAS 允许您创建自定义格式并将其应用于数值数据。因此，如果您有存储在数字变量中的分类数据(例如，将种族分类为数字类别)，您可以在使用字符串显示输出时保持该变量不变。

考虑 SAS 示例:

DATA sample;
    INPUT id race;
    DATALINES;
    1 1
    2 1
    3 2
    4 3
    5 1
    6 2
    7 4
    8 3
    9 1
    ;
RUN;

PROC FORMAT;
    VALUE raceft 1 = 'White'
                 2 = 'Black'
                 3 = 'Asian'
                 4 = 'Other';
RUN;

PROC PRINT DATA=sample;
    FORMAT race raceft.;
RUN;

这个输出:

Obs    id    race
 1      1    White
 2      2    White
 3      3    Black
 4      4    Asian
 5      5    White
 6      6    Black
 7      7    Other
 8      8    Asian
 9      9    White

但是，在此示例中，变量 race 仍然是数字。针对它的 SAS 操作使用数字类别和比较操作。例如，选择所有白人将使用 race = 1 操作完成。

相比之下，R 会将此数据存储为一个因素。请考虑以下事项。

sample <- data.frame(id = c(1:9),
                     race = c(1,1,2,3,1,2,4,3,1))
sample$race <- factor(x = sample$race,
                      levels = c(1:4),
                      labels = c("White","Black","Asian","Other"))

> sample
  id  race
1  1 White
2  2 White
3  3 Black
4  4 Asian
5  5 White
6  6 Black
7  7 Other
8  8 Asian
9  9 White

在这种情况下，变量 race 现在属于 factor 类，R 对其使用字符比较和操作。例如，选择其中的所有白人将使用某种 race = "White" 操作来完成。

尽管 R 对因子使用字符运算，但数据实际上并未存储为字符变量。因子的结构是:

> dput(sample$race)
structure(c(1L, 1L, 2L, 3L, 1L, 2L, 4L, 3L, 1L), .Label = c("White","Black", "Asian", "Other"), class = "factor")

这与 factor 的文档一致，其中指出:

factor returns an object of class "factor" which has a set of integer codes the length of x with a "levels" attribute of mode character and unique (!anyDuplicated(.)) entries. If argument ordered is true (or ordered() is used) the result has class c("ordered", "factor").

因此，R 实际上确实将因子存储为带有附加标签的数值。这样做可以减少存储许多采用少量离散值的记录时所需的存储空间。然而，尽管基础值是数字，R 在处理因子时使用字符运算符，而不是数字运算符。