r - 使用 colnames() 设置变量，使用 := operator, 变量更新 data.table 是静默更新的？

Question

这个问题在这里已经有了答案:





Why does data.table update names(DT) by reference, even if I assign to another variable?

(1 个回答)


8年前关闭。




嗯，这有点奇怪......似乎通过使用 := 运算符在 data.table 中创建一个新列，先前分配的变量(使用 colnames 创建)会默默更改。

这是预期的行为吗？如果不是有什么错？

# Lets make a simple data table
require(data.table)
dt <- data.table(fruit=c("apple","banana","cherry"),quantity=c(5,8,23))
dt
    fruit quantity
1:  apple        5
2: banana        8
3: cherry       23

# and assign the column names to a variable
colsdt <- colnames(dt)
str(colsdt)
 chr [1:2] "fruit" "quantity"

# Now let's add a column to the data table using the := operator
dt[,double_quantity:=quantity*2]
dt
    fruit quantity double_quantity
1:  apple        5              10
2: banana        8              16
3: cherry       23              46

# ... and WITHOUT explicitly changing 'colsdt', let's take another look:
str(colsdt)
 chr [1:3] "fruit" "quantity" "double_quantity"

# ... colsdt has been silently updated!

为了比较，我想看看通过 data.frame 方法添加一个新列是否有同样的问题。它没有:

dt$triple_quantity=dt$quantity*3
dt
    fruit quantity double_quantity triple_quantity
1:  apple        5              10              15
2: banana        8              16              24
3: cherry       23              46              69

# ... again I make no explicit changes to colsdt, so let's take a look:
str(colsdt)
 chr [1:3] "fruit" "quantity" "double_quantity"

# ... and this time it is NOT silently updated

那么这是 data.table := 运算符的错误还是预期的行为？

谢谢!

Answer 1

简答，使用 copy

colsdt <- copy(colnames(dt))

那你们都很好。

dt[,double_quantity:=quantity*2]
str(colsdt)
# chr [1:2] "fruit" "quantity"

一般情况下(即在基数 R 中)，赋值运算符 <-为对象赋值时创建对象的新副本。即使分配给相同的对象名称时也是如此，如 x <- x + 1 ，或者更贵， DF$newCol <- DF$a + DF$b .对于大型对象(想想 100K+ 行、数十或数百列。如果更多列更糟糕)，这可能会变得非常昂贵。
data.table , 通过 纯魔法 (阅读:C 代码)避免了这种开销。相反，它所做的是设置一个指向
已存储对象值的相同内存位置。这就是提供巨大效率和加速提升的原因。

但这也意味着您经常拥有可能看起来完全不同和独立的对象的对象
事实上是一回事

这就是 copy进来。它创建一个对象的新副本，而不是通过引用传递。

关于为什么会发生这种情况的更多细节。

注意:我非常松散地使用术语“源”和“目的地”，它们指的是分配关系 destination <- source
这实际上是预期的行为，诚然有点混淆。

在基地 R , 当您通过 <- 分配时，这两个对象指向相同的内存位置，直到其中之一发生变化。
这种处理内存的方式有很多好处，即只要两个对象具有相同的确切值，就不需要重复内存。尽可能长时间地推迟此步骤。

a <- 1:5
b <- a
.Internal(inspect(a))  # @11a5e2a88 13 INTSXP g0c3 [NAM(2)] (len=5, tl=0) 1,2,3,4,5
.Internal(inspect(b))  # @11a5e2a88 13 INTSXP g0c3 [NAM(2)] (len=5, tl=0) 1,2,3,4,5
                            ^^^^  Notice the same memory location

一旦两个对象中的任何一个发生变化，那么这种“联系”就会被打破。也就是说，更改“源”或“目标”对象将导致该对象被重新分配到新的内存位置。

a[[3]] <- a[[3]] + 1
.Internal(inspect(a))  # @11004bc38 14 REALSXP g0c4 [NAM(1)] (len=5, tl=0) 1,2,4,4,5
                             ^^^^ New Location
.Internal(inspect(b))  # @11a5e2a88 13 INTSXP g0c3 [NAM(2)] (len=5, tl=0) 1,2,3,4,5
                          ^^^^^ Still same as it was before; 
                                note the actual value. This is where `a` _had_ been

data.table中的问题情况是我们很少重新分配实际的 data.table 对象。
请注意，如果我们修改“目标”对象，则它会从该内存位置移动(复制)。

colsdt <- colnames(dt)
.Internal(inspect(colnames(dt)))  # @114859280 16 STRSXP g0c7 [MARK,NAM(2)] (len=2, tl=100)
.Internal(inspect(colsdt))        # @114859280 16 STRSXP g0c7 [MARK,NAM(2)] (len=2, tl=100)
                                      ^^^^  Notice the same memory location
# insiginificant change
colsdt[] <- colsdt
.Internal(inspect(colsdt))       # @100aa4a40 16 STRSXP g0c2 [NAM(1)] (len=2, tl=100)

# we can test the original issue from the OP:
dt[, newCol := quantity*2]
str(colnames(dt))   #  chr [1:3] "fruit" "quantity" "newCol"
str(colsdt)         #  chr [1:2] "fruit" "quantity"

要避免的情况:

但是，因为在使用 data.table 时，我们(几乎)总是通过引用进行修改，这可能会导致意想不到的结果。即，以下情况:

我们使用标准 <- 从 data.table 对象分配赋值运算符

然后随后我们更改“源”数据表的值

我们期望(并且我们的代码可能依赖于)“目标”对象仍然具有先前分配给它的值。

这当然会引起问题。
data.table是一个非常强大的包。它的力量来源是它的长发，因为它尽可能避免复制。

最佳实践:

这将责任转移到用户在复制和期望复制时要慎重和明智。

换句话说，最佳实践是:
当您希望存在副本时，请使用复制功能。