为什么在 data.frame 中预先指定类型会比较慢？

我预先分配了一个大 data.frame 以便稍后填写，我通常这样做NA是这样的：

n <- 1e6
a <- data.frame(c1 = 1:n, c2 = NA, c3 = NA)

我想知道如果我预先指定数据类型是否会让事情变得更快，所以我测试了

f1 <- function() {
    a <- data.frame(c1 = 1:n, c2 = NA, c3 = NA)
    a$c2 <- 1:n
    a$c3 <- sample(LETTERS, size= n, replace = TRUE)
}

f2 <- function() {
    b <- data.frame(c1 = 1:n, c2 = numeric(n), c3 = character(n))
    b$c2 <- 1:n
    b$c3 <- sample(LETTERS, size= n, replace = TRUE)
}

> system.time(f1())
   user  system elapsed 
  0.219   0.042   0.260 
> system.time(f2())
   user  system elapsed 
  1.018   0.052   1.072 

所以实际上慢得多！我也再次尝试使用因子列，差异并不接近 2 倍而不是 4 倍，但我很好奇为什么这会更慢，并且想知道使用数据类型而不是数据类型进行初始化是否合适NA's.

--

编辑：Flodel 指出 1:n 是整数，而不是数字。经过修正后，运行时间几乎相同；当然，错误地指定数据类型并稍后更改它会很糟糕！

将任何数据分配给大型数据框都需要时间。如果您要在向量中一次性分配所有数据（正如您应该的那样），那么much更快地根本不分配原始定义中的 c2 和 c3 列。例如：

f3 <- function() {
    c <- data.frame(c1 = 1:n)
    c$c2 <- 1:n
    c$c3 <- sample(LETTERS, size= n, replace = TRUE)
}

print(system.time(f1()))
#   user  system elapsed 
#  0.194   0.023   0.216 
print(system.time(f2()))
#   user  system elapsed 
#  0.336   0.037   0.374 
print(system.time(f3()))
#   user  system elapsed 
#  0.057   0.007   0.063 

这样做的原因是，当您预先分配时，长度的列n被建造。例如

str(data.frame(x=1:2, y = character(2)))
## 'data.frame':    2 obs. of  2 variables:
## $ x: int  1 2
## $ y: Factor w/ 1 level "": 1 1

请注意，character列已转换为factor这会比设置慢stringsAsFactors = F.