为什么data.table中的键“字符通常更倾向于因子”？

Question

来自data.table手册：

事实上，我们非常喜欢它，以至于data.table包含了一个使用R内部全局字符串缓存的字符向量计数排序算法。对于包含许多重复项的字符向量，例如键列中的分组数据，这是特别快的。这意味着，性格往往是首选的因素。因素仍然得到充分的支持，特别是有序因素(水平不按字母顺序排列)。

factor不只是整数吗?它应该比character更容易执行counting sort

Answer 1

因子不只是整数，它应该比字符更容易计数排序吗？

是的，如果你已经得到了一个因素。但是创造这一因素的时间可能是很重要的，这也是setkey (和特设by)的目标。在一个随机排列的字符向量上尝试定时factor()，例如1e6长和1e4级别。然后与原随机有序字符向量上的setkey或ad by进行比较。

agstudy的注释也是正确的；也就是说，字符向量(作为指向R缓存字符串的指针)与其他因素非常相似。在32位系统中，字符向量与因子的整数向量大小相同，但该因子也有级别属性可存储(有时还包括复制)。在64位系统上，指针的大小是原来的两倍。但另一方面，R的字符串缓存可以直接从字符向量指针中查找，而该因子通过级别有额外的跳转。(level属性也是R字符串缓存指针的字符向量。)