R语言中data.frame创建快于matrix的原因探究（非同质数据场景）

问题背景 #

我在R中执行计算密集型操作，正寻找最高效的实现方式，但遇到一个疑惑：为什么创建data.frame的速度看起来比创建matrix更快？ 按常规认知，当所有数据类型相同时，matrix的性能优于data.frame，但本次场景中数据类型并不一致。

测试代码 #

library(dplyr)
library(igraph)
library(bench)

set.seed(123)

edgelist <- data.frame(
  node1 = sample(1:2000, 11000, replace = T),
  node2 = sample(1:2000, 11000, replace = T),
  weight = runif(11000, min = 0, max = 5)
)

g <- graph_from_data_frame(edgelist, directed = F)

# 创建data.frame的函数
dat <- function() {
  dm <- distances(g, weight = E(g)$weight)
  UTIndex <- which(upper.tri(dm), arr.ind = T)

  df1 <- data.frame(
    verticeA = as.numeric(rownames(dm)[UTIndex[, 1]]),
    verticeB = as.numeric(colnames(dm)[UTIndex[, 2]]),
    path_length = as.numeric(dm[UTIndex])
  )
}

# 创建matrix的函数
mat <- function() {
  dm <- distances(g, weight = E(g)$weight)
  UTIndex <- which(upper.tri(dm), arr.ind = T)
  
  df1 <- cbind(
    verticeA = as.numeric(rownames(dm)[UTIndex[, 1]]),
    verticeB = as.numeric(colnames(dm)[UTIndex[, 2]]),
    path_length = as.numeric(dm[UTIndex])
  )
}

# 基准测试
results <- bench::mark(
  dat = dat(),
  mat = mat(),
  check = F
)

# 单独计时
t1 <- system.time({
  df1 <- dat()
})
rm(df1)

t2 <- system.time({
  df1 <- mat()
})
rm(df1)

测试结果 #

> results
# A tibble: 2 × 13
  expression      min   median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time
  <bch:expr> <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>
1 dat           2.89s    2.89s     0.346     269MB     1.39     1     4      2.89s
2 mat           2.83s    2.83s     0.353     315MB     1.41     1     4      2.83s
# ℹ 4 more variables: result <list>, memory <list>, time <list>, gc <list>
> t1
   user  system elapsed 
   2.78    0.04    2.81 
> t2
   user  system elapsed 
   3.12    0.08    3.21 

核心原因分析 #

1. 类型强制统一的额外开销：matrix要求所有元素类型完全一致，即便传入的是同属numeric的不同子类型，cbind创建matrix时仍会触发隐式的类型检查与统一转换流程，这会消耗额外时间。而data.frame允许列类型独立，无需全局类型统一，节省了这部分开销。
2. 内存分配机制差异：从测试结果可见，matrix版本的内存占用（315MB）明显高于data.frame（269MB）。matrix是连续的内存块，处理多来源数据时可能产生临时复制或过度内存预留；而data.frame的列是独立向量，内存分配更灵活，减少了不必要的内存消耗，间接提升了速度。
3. 核心操作的占比影响：distances(g)是本次测试中最耗时的操作，占总时间的绝大部分，后续的data.frame/matrix创建仅为小部分步骤。但即便如此，matrix的额外类型转换与内存开销仍让它在这一步的表现落后于data.frame。

优化建议 #

如果最终目标是得到表格型数据，直接使用data.frame（或tibble）更适配，尤其是列类型不同的场景；若必须使用matrix，建议提前统一所有输入数据的类型，避免隐式转换带来的额外开销。

内容的提问来源于stack exchange，提问作者EmilA