R：何时使用stringAsFactors

我一直在阅读关于stringAsFactors的内容，以及尽管默认值为TRUE，但在许多情况下，对于某些命令，您必须将其设置为FALSE。据我所知：

• 因子是R存储文本的默认方式，因此，如果df的列包含文本，R将（始终？）在导入数据时将其转换为因子

• 如果您打算使用这个特定的文本列进行统计测试（回归等），那么这很好，因为许多统计函数（如lm（）或glm（））将要求您将文本变量设置为因子，以便它可以将它们视为分类数据

• 但是，如果您打算执行统计测试以外的操作（即操纵df、合并df等），则可能需要将stringAsFactors设置为FALSE，因为如果将文本变量设置为factors，某些函数可能会出错

这是正确的吗？我想我理解stringAsFactors的主要概念，但我想知道人们是否使用了任何“规则”？换句话说，当您启动一个新脚本时，不完全确定是否应该将stringAsFactors设置为TRUE或FALSE是“正常”的？是否有一个（非统计）软件包列表，这些软件包特别希望stringAsFactors设置为FALSE

换句话说，如果有人相当确定您不会对数据使用统计函数，那么将stringAsFactors设置为FALSE是否被视为“良好做法”

---

我知道我的问题很模糊，但我只是想知道，在“决定”是否将参数设置为TRUE或FALSE时，人们是否会使用某种“技巧”/“规则”。谢谢

您在讨论中遗漏了一个要点，在我看来，这些要点完全准确无误。创建因子的一个原因是，它们可能会大幅减少变量所需的存储空间量。考虑，例如，具有非常低基数的数据帧的列（值的唯一性）。当将此信息存储为

字符

数据时，需要任何存储来存储整个列中的每个字符串。然而，由于各种因素，存储需求大大减少。作为一个因素，R只需要存储一次实际字符串值，然后就可以使用数字级别表示所有值。而且，对于基数较低的列，与较大的列相比，实际上只需要存储少数字符串

---

考虑到R主要是一个内存中的工具，内存是宝贵的，这些因素代表了优化任何R脚本的好机会。纯粹从存储/内存的角度来说，将

stringsAsFactors

设置为

TRUE

是有意义的。显然，如果您有API或其他需要，则需要做出决定。

默认值仅在向后兼容的情况下保持不变。否则它在很多年前就已经改变了。我的建议是：将

选项（stringsAsFactors=FALSE）

放在每个脚本的顶部，并在需要时显式创建因子。注意：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一个因子会更节省空间。但是，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字节，而每一个字符串的引用需要一个4或8字节的指针）。“从<代码>帮助（“因子”）< /代码>。@罗兰，你是说这些因素现在帮助了更多，还是他们在R的早期版本中帮助了更多？文档是说现在你不需要再考虑内存了。（某些极端应用可能例外）。