R中如何选择DataFrame列类型以提升内存与处理效率？

同等语义下，整数类型列的内存占用和处理效率远优于字符串类型，是你当前场景的最优选择。

内存占用差异 #

• 整数为定长存储：pandas中int64类型每个元素固定占8字节，100万行的列总占用仅为8MB；如果你的映射编号不超过127，改用int8的话总占用甚至可以降到1MB以内。
• 字符串为变长存储：无论是旧版object类型还是新版StringDtype，除了64位系统下每个元素8字节的指针开销外，还要额外承担Python字符串对象本身的内存成本。以你示例中长度为4的code1类字符串为例，单个字符串对象至少占用40字节，100万行的列总占用会超过60MB，是同规模整数列的7倍以上。

你可以用以下代码直接验证：

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "string_col": [f"code{i}" for i in range(1_000_000)],
    "int_col": np.arange(1_000_000, dtype="int64")
})

# 输出各列实际内存占用（deep=True会计算字符串本身的内存）
print(df.memory_usage(deep=True))

处理效率差异 #

整数列的运算、过滤、分组、关联等操作效率是字符串列的10~30倍，核心原因有两点：

• CPU原生支持整数的直接比较、运算，单条指令即可完成操作；字符串操作需要逐字符遍历解析，指令周期数差数个量级。
• 整数定长连续存储，CPU缓存命中率极高；字符串是离散指针引用，缓存命中率极低，频繁触发内存访问延迟。

特殊场景替代方案 #

如果你的字符串列取值重复率极高（100万行仅数十种唯一值），可以改用pandas的Categorical类型，内存占用和处理效率会接近整数类型；但如果是高基数场景（唯一值占比超过10%），Categorical性能会下降，仍然优先用整数映射。

内容的提问来源于stack exchange，提问作者fifigoblin