- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
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?
最佳答案
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 modecharacter
and unique(!anyDuplicated(.))
entries. If argumentordered
is true (orordered()
is used) the result has classc("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。
关于r - 为什么在 R 中更改 stringsAsFactors 会更改文件大小?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34337460/
我正在从 Stata 迁移到 R(plm 包),以便进行面板模型计量经济学。在 Stata 中,面板模型(例如随机效应)通常报告组内、组间和整体 R 平方。 I have found plm 随机效应
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 6年前关闭。 Improve this qu
我想要求用户输入整数值列表。用户可以输入单个值或一组多个值,如 1 2 3(spcae 或逗号分隔)然后使用输入的数据进行进一步计算。 我正在使用下面的代码 EXP <- as.integer(rea
当 R 使用分类变量执行回归时,它实际上是虚拟编码。也就是说,省略了一个级别作为基础或引用,并且回归公式包括所有其他级别的虚拟变量。但是,R 选择了哪一个作为引用,以及我如何影响这个选择? 具有四个级
这个问题基本上是我之前问过的问题的延伸:How to only print (adjusted) R-squared of regression model? 我想建立一个线性回归模型来预测具有 15
我在一台安装了多个软件包的 Linux 计算机上安装了 R。现在我正在另一台 Linux 计算机上设置 R。从他们的存储库安装 R 很容易,但我将不得不使用 安装许多包 install.package
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 strin
我们可以将 Shiny 代码写在两个单独的文件中,"ui.R"和 "server.R" , 或者我们可以将两个模块写入一个文件 "app.R"并调用函数shinyApp() 这两种方法中的任何一种在性
我正在使用 R 通过 RGP 包进行遗传编程。环境创造了解决问题的功能。我想将这些函数保存在它们自己的 .R 源文件中。我这辈子都想不通怎么办。我尝试过的一种方法是: bf_str = print(b
假设我创建了一个函数“function.r”,在编辑该函数后我必须通过 source('function.r') 重新加载到我的全局环境中。无论如何,每次我进行编辑时,我是否可以避免将其重新加载到我的
例如,test.R 是一个单行文件: $ cat test.R # print('Hello, world!') 我们可以通过Rscript test.R 或R CMD BATCH test.R 来
我知道我可以使用 Rmd 来构建包插图,但想知道是否可以更具体地使用 R Notebooks 来制作包插图。如果是这样,我需要将 R Notebooks 编写为包小插图有什么不同吗?我正在使用最新版本
我正在考虑使用 R 包的共享库进行 R 的站点安装。 多台计算机将访问该库,以便每个人共享相同的设置。 问题是我注意到有时您无法更新包,因为另一个 R 实例正在锁定库。我不能要求每个人都关闭它的 R
我知道如何从命令行启动 R 并执行表达式(例如, R -e 'print("hello")' )或从文件中获取输入(例如, R -f filename.r )。但是,在这两种情况下,R 都会运行文件中
我正在尝试使我当前的项目可重现,因此我正在创建一个主文档(最终是一个 .rmd 文件),用于调用和执行其他几个文档。这样我自己和其他调查员只需要打开和运行一个文件。 当前设置分为三层:主文件、2 个读
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 想改进这个问题?将问题更新为 on-topic对于堆栈溢出。 5年前关闭。 Improve this qu
我的 R 包中有以下描述文件 Package: blah Title: What the Package Does (one line, title case) Version: 0.0.0.9000
有没有办法更有效地编写以下语句?accel 是一个数据框。 accel[[2]]<- accel[[2]]-weighted.mean(accel[[2]]) accel[[3]]<- accel[[
例如,在尝试安装 R 包时 curl作为 usethis 的依赖项: * installing *source* package ‘curl’ ... ** package ‘curl’ succes
我想将一些软件作为一个包共享,但我的一些脚本似乎并不能很自然地作为函数运行。例如,考虑以下代码块,其中“raw.df”是一个包含离散和连续类型变量的数据框。函数“count.unique”和“squa
我是一名优秀的程序员,十分优秀!