data.table 中的意外 .GRP 序列

Question

给定一个data.table，例如：

library(data.table)
n = 5000
set.seed(123)
pop = data.table(id=1:n, age=sample(18:80, n, replace=TRUE))

以及将数值向量转换为有序因子的函数，例如：

toAgeGroups <- function(x){
  groups=c('Under 40','40-64','65+')
  grp = findInterval(x, c(40,65)) +1
  factor(groups[grp], levels=groups, ordered=TRUE)
}

当将此函数的输出分组为键并使用.GRP 进行索引时，我看到了意外的结果。

pop[, .(age_segment_id = .GRP, pop_count=.N), keyby=.(age_segment = toAgeGroups(age))]

返回：

   age_segment age_segment_id pop_count
1:    Under 40              1      1743
2:       40-64              3      2015
3:         65+              2      1242

我原以为age_segment_id 的值是c(1,2,3)，而不是c(1,3,2)，但.GRP 似乎是按照基础数据中出现的顺序（如by= 顺序）而不是排序顺序（如在keyby=)。

我正计划使用.GRP 作为一些额外标签的索引，但我需要做一些类似的事情：

pop[, .(pop_count=.N), keyby=.(age_segment = toAgeGroups(age))][, age_segment_id := .I][]

得到我想要的。

这是预期的行为吗？如果是这样，是否有更好的解决方法？

（第 1.9.6 节）

Answer 1

data.table 的 1.9.8+ 版本不应再出现此问题。

library(data.table) #1.9.8+
pop[, .(age_segment_id = .GRP, pop_count=.N),
    keyby=.(age_segment = toAgeGroups(age))]
#    age_segment age_segment_id pop_count
# 1:    Under 40              1      1743
# 2:       40-64              2      2015
# 3:         65+              3      1242

有关更多信息，请参阅讨论 here。基本上，by 在内部的工作方式为每个组返回已排序的行，然后将表重新排序回其原始顺序。

如果指定了keyby，则更改认识到这种重新排序是不必要的，因此现在您的方法可以按预期工作。

在之前（直到 1.9.6），keyby 将通过运行setkey 在最后重新排序答案，如?data.table 中所述：

[keyby 与by 相同，但在结果的by 列上运行了额外的setkey()。

因此，在data.table 的新版本中，您必须将代码修复为：

pop[(order(age), .(age_segment_id = .GRP, pop_count=.N),
    keyby=.(age_segment = toAgeGroups(age))]