R语言factor与字符变量存储效率及对象大小对比疑问

存储效率结论确认 #

你给出的测试结果已经验证了「分类数据存为因子效率更高」的结论是正确的：你测试的字符向量占用720字节，同内容的因子仅占用336字节，存储空间少了一半以上，属于误读数值大小才出现判断误差。
背后的逻辑是：因子变量底层仅存储两类信息，一是固定的唯一分类水平（level）的字符串集合，二是每个观测对应的分类水平的整数索引，哪怕观测数再多，只要分类水平数量少，额外存储的只有4字节/个的整数；而字符型变量每个观测都要单独存储完整的字符串，重复内容会占用大量冗余空间。数据量越大、分类水平越少，因子的存储优势越明显。

适合初学者的因子优势直观示例 #

示例1：大样本下存储效率差距放大测试 #

运行如下代码可以看到观测数提升后，两者的存储差距会非常显著：

# 生成10万条只有3种分类的字符向量
char_vec <- sample(c("低", "中", "高"), size = 100000, replace = TRUE)
# 转成因子
factor_vec <- factor(char_vec)

# 查看存储大小
object.size(char_vec) # 通常约800KB左右
object.size(factor_vec) # 通常约400KB左右，差距超过一倍

示例2：分类统计、排序的便利性 #

对于有序分类场景，因子可以自定义分类顺序，统计输出的结果会符合业务逻辑，不会出现字符型默认按字母/拼音排序的混乱问题：

# 字符型的满意度统计，默认排序是按拼音，不符合业务逻辑
char_satis <- c("不满意", "满意", "一般", "不满意", "满意", "满意")
table(char_satis)
# 输出顺序：不满意 满意 一般，不符合“不满意→一般→满意”的递进逻辑

# 转成自定义顺序的因子
factor_satis <- factor(char_satis, levels = c("不满意", "一般", "满意"), ordered = TRUE)
table(factor_satis)
# 输出顺序：不满意 一般 满意，完全符合业务统计需求

示例3：建模场景的自动适配 #

R中绝大多数统计建模函数（比如lm()线性回归、randomForest()随机森林）都会自动将因子变量处理为分类特征做哑变量编码，直接传入字符型变量会触发报错或非预期的计算逻辑，无需额外手动做特征转换。

内容的提问来源于stack exchange，提问作者Nadiine El Nino