R data.table bug:lappy on.SD在使用get（）时对列重新排序。可能的解决办法？

我发现

data.table的一个奇怪行为。我想知道是否有办法避免它，或者有一个解决办法

在我的数据管理中，我经常使用
lappy
和
.SD
为列分配新值。要正确分配多个列，必须保持
lappy
的输出列的顺序。
我发现情况并非如此

这里是正常的行为

library(data.table)
plouf <- data.table(x = 1, y = 2, z = 3)
cols <- c("y","x")
plouf[,.SD,.SDcols = cols ,by = z]
plouf[,lapply(.SD,function(x){x}),.SDcols = cols ,by = z]
plouf[,lapply(.SD[x == 1],function(x){x}),.SDcols = cols ,by = z]

例如，我需要重新分配给c（“y”，“x”）。但如果我这样做：

plouf[,lapply(.SD[get("x") == 1],function(x){x}),.SDcols = c("y","x"),by = z]

   z x y
1: 3 1 2

在这里，x和y的顺序毫无理由地改变了，这时它应该产生与上一个“工作”示例相同的结果。如果将
lappy
的输出分配给新的列向量，则将错误的值分配给
c（“y”，“x”）
。似乎在
.SD
的
i
部分中使用
get
会触发此错误

这对分配的影响示例：

plouf[, c(cols ) := lapply(.SD[get("x") == 1],function(x){x}),
      .SDcols = cols ,by = z][]
#    x y z
# 1: 2 1 3

有人有解决办法吗？我使用的代码看起来更像：

 plouf[, c(cols ) := lapply(.SD[get("x") >= 1 & get("x") <= 3],function(x){mean}),
          .SDcols = cols ,by = z]

plouf[，c（cols）：=lappy（.SD[get（“x”）>=1&get（“x”）而不是subseting
.SD
，您可以在lappy函数中进行子集设置。如果用于子集设置的逻辑向量作为第三个参数传递给lappy，则不会在每次lappy传递时重新计算

注意：我将函数改为乘以10，因为否则我无法判断代码是否在执行任何操作

plouf[, (cols) := lapply(.SD, function(x, i) 10*mean(x[i]), 
                         get("x") %between% c(1, 3)), 
      .SDcols = cols ,by = z][]

#     x  y z
# 1: 10 20 3

还有其他的解决方法可以让您对.SD进行子集划分，但我认为按组对
.SD
进行子集划分要比单独对每个列进行子集划分慢

set.seed(0)
df <- rep(1:50000, sample(500:1000, 50000, T)) %>% 
        data.table(a = runif(length(.))
                  ,b = .)

library(microbenchmark)
microbenchmark(
  subSD = df[, lapply(.SD[a < .2], sum), b]
  , in_func = df[, lapply(.SD, function(x, i) sum(x[i]), a < .2), b]
  , times = 10L)

# Unit: milliseconds
#     expr      min         lq      mean     median        uq       max neval cld
#    subSD 19323.19 20398.3666 21289.345 20708.4346 22466.010 23738.467    10   b
#  in_func   972.64   987.7891  1016.252   995.4236  1038.069  1125.709    10  a 

set.seed（0）
df%
data.table（a=runif（长度（）
，b=）
图书馆（微基准）
微基准(
subSD=df[，lapply（.SD[a<.2]，和），b]
，in_func=df[，lapply（.SD，函数（x，i）和（x[i]），a<.2），b]
，次=10L）
#单位：毫秒
#expr最小lq平均uq最大neval cld
#subSD 19323.19 20398.3666 21289.345 20708.4346 22466.010 23738.467 10 b
#in_func 972.64 987.7891 1016.252 995.4236 1038.069 1125.709 10 a

编辑：更大的基准

set.seed(0)
rm(df)
df <- rep(1:5e5, sample(50:100, 5e5, T)) %>% 
        data.table(a = runif(length(.))
                  ,b = .)

library(microbenchmark)
microbenchmark(
  subSD = df[, lapply(.SD[a < .2], sum), b]
  , in_func = df[, lapply(.SD, function(x, i) sum(x[i]), a < .2), b]
  , times = 2L)

# Unit: seconds
#     expr        min         lq       mean     median        uq       max neval cld
#    subSD 207.111290 207.111290 214.147649 214.147649 221.18401 221.18401     2   b
#  in_func   3.560467   3.560467   3.651359   3.651359   3.74225   3.74225     2  a 

set.seed（0）
rm（df）
df%
data.table（a=runif（长度（）
，b=）
图书馆（微基准）
微基准(
subSD=df[，lapply（.SD[a<.2]，和），b]
，in_func=df[，lapply（.SD，函数（x，i）和（x[i]），a<.2），b]
，次=2L）
#单位：秒
#expr最小lq平均uq最大neval cld
#subSD 207.111290 207.111290 214.147649 214.147649 221.18401 221.18401 2 b
#in_func 3.560467 3.560467 3.651359 3.651359 3.74225 3.74225 2 a
在github的bug报告中，@jangoreki建议：


作为一种解决方法，您可以使用“现在替换”而不是“获取”

就我个人而言，我会经常使用它，而不是作为一种解决办法，我发现R元编程特性更优越。
还要注意，有一天我们应该能够使用
.var
，而不是
get（var）
，请参见（#2816，#3199）
多亏了保守的向后兼容R代码开发，R元编程一直有效，而且我认为它也将一直有效

我投票将这个问题作为离题题来结束，因为更适合于at而不是
get（“x”）==1
您可以使用
eval（替换（v==1，list（v=as.symbol（“x”）））
。这避免了这个问题。@zx8754我将在那里发布，但我的帖子的想法是获得一个workaround@denis
.SD[[“x”]]%介于%c（1,3）之间
。也许可以更新你的帖子，明确你正在寻找解决方法，并在你的github问题报告中添加链接？@denis没问题，社区不需要同意我的投票。只是想带上这个“bug”引起开发人员的注意。在这里，这样做将为您提供一个解决方案，而不是一个解决方案。非常感谢。我不知道我可以这样写，我非常喜欢它
set.seed(0)
rm(df)
df <- rep(1:5e5, sample(50:100, 5e5, T)) %>% 
        data.table(a = runif(length(.))
                  ,b = .)

library(microbenchmark)
microbenchmark(
  subSD = df[, lapply(.SD[a < .2], sum), b]
  , in_func = df[, lapply(.SD, function(x, i) sum(x[i]), a < .2), b]
  , times = 2L)

# Unit: seconds
#     expr        min         lq       mean     median        uq       max neval cld
#    subSD 207.111290 207.111290 214.147649 214.147649 221.18401 221.18401     2   b
#  in_func   3.560467   3.560467   3.651359   3.651359   3.74225   3.74225     2  a 

var = "x"
expr = substitute(
  plouf[, c(cols) := lapply(.SD[.var == 1],function(x){x}), .SDcols = cols, by = z][],
  list(.var=as.name(var))
)
print(expr)
#plouf[, `:=`(c(cols), lapply(.SD[x == 1], function(x) {
#    x
#})), .SDcols = cols, by = z][]
eval(expr)
#   x y z
#1: 2 1 3