R中字符的对象大小 - R全局字符串池如何工作？

Posted 2021-05-07

我正在阅读Hadley的高级R编程，当它讨论字符的内存大小时，它说：

R有一个全局字符串池。这意味着每个唯一字符串仅存储在一个位置，因此字符向量占用的内存比您预期的要少。

本书给出的例子如下：

library(pryr)
object_size("banana")
#> 96 B
object_size(rep("banana", 10))
#> 216 B

本节中的一个练习是比较这两个字符向量：

vec <- lapply(0:50, function(i) c("ba", rep("na", i)))
str <- lapply(vec, paste0, collapse = "")

object_size(vec)
13.4 kB

object_size(str)
8.74 kB

现在，由于该段落声明R具有全局字符串池，并且因为向量vec主要由两个字符串（“ba”和“na”）的重复组成，所以我实际上 - 直觉地 - 期望vec的大小小于str的大小。

所以我的问题是：你怎么能最准确地预先估计这些矢量的大小？

答案

关键区别在于vec中的指针：每个短标量字符串（CHARSXP）必须从相应的字符串向量（STRSXP）指向。在vec中有大约1326个这样的字符串指针，但在str中只有51个（指针在你的平台上可能是8个字节）。该池用于标量字符串（也称为CHARSXP缓存）。另一个非显而易见的因素是内部碎片，例如：在我的系统上，标量字符串具有相同的大小，无论它是否有0到7个字符，8个字符的字符串只需要更多，依此类推。请参阅以下重复大小：

unlist(sapply(str, object.size))

[1] 96 96 96 104 104 104 104 120 120 120 120 120 120 120 120 136 136 136 136

[20] 136 136 136 136 152 152 152 152 152 152 152 152 216 216 216 216 216 216 216

[39] 216 216 216 216 216 216 216 216 216 216 216 216 216

然而，这些是R的内存管理器的实现细节可以改变，并且不应该以任何方式依赖于用户程序 - 使用另一个对象布局/内存管理器，str可以使用比vec更多的空间。