data.table开关列名

Question

我想问一下data.table的以下行为是一个特性还是一个bug。

给定data.table

dt = data.table(
  group = c(rep('group1',5),rep('group2',5)),
  x = as.numeric(c(1:5, 1:5)),
  y = as.numeric(c(5:1, 5:1)),
  z = as.numeric(c(1,2,3,2,1, 1,2,3,2,1))
)

和包含重复的列名的向量，

cols = c('y','x','y','z') # contains a duplicate column name

data.table正确地阻止我为重复的列名赋值：

dt[,(cols) := lapply(.SD,identity), .SDcols=cols] # Error (OK)

这对我来说似乎是适当的行为，因为它可以帮助避免意想不到的后果。但是，如果我按组进行相同的分配，

dt[,(cols) := lapply(.SD,identity), .SDcols=cols, by=group] # No error!

那么data.table就不会抛出错误。赋值完成后，可以验证列y和z是否已互换。

当我在一个大型应用程序中对变量进行分组降级时，这种情况就会发生，而且很难追踪这种行为的根源。当然，对用户的建议是在赋值时避免重复的列名，并避免向.SDcols提供重复的列名。然而，对于data.table来说，在这种情况下抛出错误不是更好吗？

Answer 1

这是一个错误，已在1.12.4版的data.table中修复。这是错误报告：https://github.com/Rdatatable/data.table/issues/4874。

其他有此问题的用户可以简单地更新他们的包版本，例如使用install.packages('data.table')。要检查当前包的版本，请加载data.table，然后查看sessionInfo()的输出。

但明智的做法是避免向.SDcols提供重复的列名。