如果名称按组的顺序不同，R data.table 分组操作返回错误值？

Posted 2023-02-14

【中文标题】如果名称按组的顺序不同，R data.table 分组操作返回错误值？

【英文标题】：R data.table grouped operation returning wrong values if names are not in the same order by group?

【发布时间】：2022-01-17 09:57:38

【问题描述】：

我正在data.table 中按组计算操作，其中函数返回每个组的长度相同且名称相同的列表。但是，如果生成的列表的名称并不总是按组的顺序排列，那么最终输出中的值可能会被错误地分配。

这是一个人为的例子来说明这种行为：

f <- function(x, allcols)
  l <- floor(log2(length(x)))
  y <- c(1:l, l)
  names(y) <- paste0(c(rep("n",length(y)-1),"s"), y)
  y[setdiff(allcols, names(y))] <- 0
  return(as.list(y))



d <- data.table(x = rep(1,30), group = c(rep(1,14), rep(2,16)))
allcols <- c(paste0("n",1:4), paste0("s",3:4))

x1 <- d[group==1,x]
x2 <- d[group==2,x]
f(x1,allcols)
f(x2,allcols)
d[, f(x, allcols), by = group]

您可以看到，单独对组运行时产生的输出与使用 data.table 作为分组操作完成时获得的输出不同。这可能是一个非常具体的用例，但在某些情况下这似乎会产生不正确的输出。这是故意的吗？在这种情况下，避免这种行为的最佳方法是什么？

【参考方案1】：

我在你的函数中添加了一行，y <- y[allcols]。这将根据allcols 中的内容对y 中的输出进行排序。

library(data.table)

f <- function(x, allcols)
  l <- floor(log2(length(x)))
  y <- c(1:l, l)
  names(y) <- paste0(c(rep("n",length(y)-1),"s"), y)
  y[setdiff(allcols, names(y))] <- 0
  y <- y[allcols]
  return(as.list(y))

现在，当您将函数应用于向量和按组应用于data.table 时，输出是相同的。

f(x1, allcols = allcols)
# $n1
# [1] 1
# 
# $n2
# [1] 2
# 
# $n3
# [1] 3
# 
# $n4
# [1] 0
# 
# $s3
# [1] 3
# 
# $s4
# [1] 0

f(x2, allcols = allcols)
# $n1
# [1] 1
# 
# $n2
# [1] 2
# 
# $n3
# [1] 3
# 
# $n4
# [1] 4
# 
# $s3
# [1] 0
# 
# $s4
# [1] 4

d[, f(x = x, allcols), by = group]
#    group n1 n2 n3 n4 s3 s4
# 1:     1  1  2  3  0  3  0
# 2:     2  1  2  3  4  0  4

我不知道为什么您的原始代码不起作用。但我的猜测是这与rbindlist 有关，它结合了数据框列表。我认为它应该组合基于相同列名的行，就像来自dplyr 的bind_rows 所做的那样。但似乎默认行为是按位置组合行。因此，您的函数以相同顺序为每个组返回结果变得很重要。查看?rbindlist 和use.names 的解释了解更多详情。假设group应用函数在后台调用rbindlist，我认为如果列顺序不一样应该返回警告。但事实并非如此。