R中“因子”和“字符串”数据类型之间的实际区别是什么？

Question

从其他编程语言中，我熟悉字符串数据类型。除了这种数据类型，R 还具有因子数据类型。我是 R 语言的新手，所以我想了解一下这种新数据类型背后的意图。

问题： R 中“因子”和“字符串”数据类型之间的实际区别是什么？

我知道（在概念/哲学层面上）因子数据类型应该对分类随机变量的值进行编码，但我不明白（在实际层面上）为什么字符串数据类型不足以这个目的。

看似具有相同实际用途的重复数据类型将是bad design。然而，如果 R 在这样一个基本层面上的设计真的很糟糕，那么它就不太可能达到它所拥有的受欢迎程度。所以要么发生了非常不可能的事件，要么我误解了因子数据类型的实际意义/目的。

尝试：我能想到的一件事是“因子级别”的概念，其中可以为因子分配排序（不能对字符串执行此操作），这很有帮助在描述“有序分类变量”时，即具有顺序的分类变量（例如“低”、“中”、“高”）。

（尽管即使这样似乎也不会使因子严格成为必要。由于排序总是线性的，即在可数集上没有真正的偏序，我们总是可以用从整数的某个子集映射到有问题的字符串 - 但是在实践中，一遍又一遍地实现可能会很痛苦，而且天真的实现可能不如内置的因子和因子级别的实现那么有效R.)

但是，并非所有分类变量都是有序的，有些是“名义的”（即没有顺序）。然而，“因子”和“因子水平”似乎仍然与这些“名义分类变量”一起使用。为什么是这样？ IE。对这些变量使用因子而不是字符串有什么实际好处？

我能找到的关于这个主题的唯一其他信息是以下引用 here：

此外，将字符串变量存储为因子变量可以更有效地使用内存。

这是什么原因？这仅适用于“有序分类变量”，还是适用于“名义分类变量”？

相关但不同的问题：这些问题似乎相关，但并没有具体解决我的问题的核心——即因子和字符串之间的差异，以及为什么有这样的差异是有用的（从编程的角度来看，而不是统计角度）。

Difference between ordered and unordered factor variables in R
Factors ordered vs. levels
Is there an advantage to ordering a categorical variable?
factor() command in R is for categorical variables with hierarchy level only?

Answer 1

实际区别：

1. 如果 x 是一个字符串，它可以取任何值。如果 x 是一个因子，它只能从所有级别的列表中获取一个值。这也使这些变量的内存效率更高。

示例：

> x <- factor(c("cat1","cat1","cat2"),levels = c("cat1","cat2") )
> x
[1] cat1 cat1 cat2
Levels: cat1 cat2
> x[3] <- "cat3"
Warning message:
In `[<-.factor`(`*tmp*`, 3, value = "cat3") :
  invalid factor level, NA generated
> x
[1] cat1 cat1 <NA>
Levels: cat1 cat2

1. 正如你所说，你可以有序数因子。这意味着您可以在变量中添加额外的信息，例如 level1