对大整数 id 数字使用 integer64、数字或字符更好吗？答案

【问题标题】：is it better to use integer64, numeric, or character for large integer id numbers?对大整数 id 数字使用 integer64、数字或字符更好吗？
【发布时间】：2016-02-03 08:17:39
【问题描述】：

我正在处理一个数据集，该数据集包含多个表示整数 ID 号的列（例如 transactionId 和 accountId）。这些 ID 号的长度通常为 12 位，这使得它们太大而无法存储为 32 位整数。

在这种情况下最好的方法是什么？

以字符串形式读取 ID。
使用 bit64 包将 ID 读取为 integer64。
将 ID 读取为数字（即双精度）。

我已被警告过使用双精度来测试相等性的危险，但我不确定在将它们用作 ID 的情况下这是否会成为问题，我可能会基于它们进行合并和过滤，但从不这样做身份证号码的算法。

从直觉上看，字符串似乎应该更慢地测试相等性并进行合并，但实际上可能并没有太大区别。

【问题讨论】：

从概念上讲，这些是字符（甚至是因子变量），我会这样对待它们。使用字符键合并 data.table 非常快。

标签： r

【解决方案1】：

请参阅 Roland 对原始问题的评论。您的 ID 应该是字符向量。由于 ID 不太可能用于类似数学的运算，因此将值存储为字符向量通常更安全。他还指出，使用字符向量在 data.table 中进行合并的速度非常快。也许没有整数合并那么快，但仍然很快。在大多数情况下，这应该没问题。

【讨论】：

“由于 ID 不太可能用于类似数学的运算，因此将值存储为字符向量通常是安全的。”不仅安全，而且更安全，因为如果您不小心对 ID 进行了数学运算，例如 lapply(DF, median)，则更容易发现错误。

【解决方案2】：

如果您追求性能，请使用 bit64。

使用“integer64”向量，您可以以 64 位为代价存储非常大的整数，这比“int64”包中的“int64”好 7 倍。由于较小的内存占用，原子向量架构并且仅使用 S3 而不是 S4 类，大多数操作都是一对快三个数量级：示例加速是序列化 4 倍，添加 250 倍，900 倍用于强制和 2000x 用于对象创建。 'integer64' 也避免了一个持续的（可能是无限的）在存在“int64”对象期间观察到垃圾收集的惩罚（参见示例中的代码部分）。

请参阅以下 PDF：https://cran.r-project.org/web/packages/bit64/bit64.pdf

【讨论】：