按名称使用`[`进行子集化是否比按索引子集化更慢？

先看一个示例命名矩阵：

amatrix <- cbind(a=1:2, b=3:4, c=5:6)
#      a b c
# [1,] 1 3 5
# [2,] 2 4 6

我们可以通过两种方式提取第2列：

amatrix[, 'b']
# [1] 3 4
amatrix[, 2]
# [1] 3 4

问题 #

这两种子集化方法哪种更快，差异有多大？按名称子集化会不会因为字符串匹配更慢？处理数十万级别的数组时是否需要考虑这种差异？（注：已有讨论针对列表用[[和$的速度差异，但未找到矩阵用[的相关内容）

基准测试验证 #

我们用microbenchmark包量化两种方法的速度差异，测试基于大型矩阵（更贴近数十万级别的实际场景）：

# 安装并加载基准测试包
if (!require(microbenchmark)) install.packages("microbenchmark")
library(microbenchmark)

# 创建10000行×1000列的大型命名矩阵
set.seed(123)
big_matrix <- matrix(rnorm(10000*1000), nrow=10000)
colnames(big_matrix) <- paste0("col", 1:1000)

# 执行1000次测试
bench_result <- microbenchmark(
  by_name = big_matrix[, "col500"],
  by_index = big_matrix[, 500],
  times = 1000
)

# 查看测试结果
print(bench_result)

典型测试结果 #

输出示例如下：

Unit: microseconds
      expr    min      lq     mean median      uq     max neval
  by_name 18.201 20.3015 25.76856 21.401 23.7010 268.701  1000
by_index  2.100  2.7000  3.47527  3.000  3.6005  48.900  1000

结果分析 #

• 按索引子集化的速度远快于按名称，上述测试中按名称的耗时是按索引的7-8倍。
• 差异的核心原因是字符串匹配：按名称子集化时，R需要先将输入字符串与列名逐一匹配，找到对应的索引后再提取；而按索引则直接定位目标列，跳过了匹配步骤。

实际场景建议 #

• 如果代码需要高频次执行子集化操作（比如循环、批量处理），且数据规模较大，这种速度差异会被显著放大，建议优先使用索引子集化。
• 若要兼顾可读性（列名更具语义，方便后续维护），可以提前将列名映射为索引，只做一次匹配：

  # 提前获取目标列的索引
  target_col_idx <- which(colnames(big_matrix) == "col500")
  # 后续直接使用索引提取
  big_matrix[, target_col_idx]
  

这种方式既保留了代码的可读性，又避免了重复字符串匹配带来的开销。

内容的提问来源于stack exchange，提问作者pglpm