R data.table 在我更改后被修改？

Question

这一直困扰着我很长一段时间，我认为 data.table 包有一些我不明白的地方。如果我想要 data.table 的两个“切片”，并将其中一个重命名为新名称，如果我忘记输入“copy”，那么 data.table 会将具有 新名称 的两个对象视为同样的事情。

1. 是使用“复制”功能解决此问题的唯一系统方法吗？即，如果我不使用“复制”，我会总是得到这种将相同对象视为相同事物的行为吗？
2. 此功能的用途是什么？与内存存储有关..？如果我决定更改一个 DT 然后使用原始对象，这似乎会导致一些严重的无意错误。此外，如果一个新的 data.table 用户来自 base R，并且不知道这种行为，那么他们的所有代码都会出现一些系统性问题。
3. 如果 setDT 函数实际上并未将数据表“设置”为新对象，那么它的意义何在？

这是一个说明性示例：

library(data.table)
#####BOTH_SETDT & COPY#####
first_dt <- data.frame(a = c(1,2,3), b = c(9,8,7))
setDT(first_dt)
second_dt <- copy(first_dt)
setDT(second_dt)

first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
#      a b
#1: 0.02 9
#2: 0.04 8
#3: 0.06 7
print(second_dt)
#   a    b
#1: 1 0.18
#2: 2 0.16
#3: 3 0.14

#####BOTH SETDT#####
first_dt <- data.frame(a = c(1,2,3), b = c(9,8,7))
setDT(first_dt)
second_dt <- first_dt
setDT(second_dt)

first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14
print(second_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14

#####SINGLE SETDT#####
first_dt <- data.frame(a = c(1,2,3), b = c(9,8,7))
setDT(first_dt)
second_dt <- first_dt

first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14
print(second_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14

#####AS.DATA.TABLE#####
first_dt <- as.data.table(data.frame(a = c(1,2,3), b = c(9,8,7)))
second_dt <- first_dt

first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14
print(second_dt)
#      a    b
#1: 0.02 0.18
#2: 0.04 0.16
#3: 0.06 0.14

#####AS.DATA.TABLE WITH JUST COPY#####
first_dt <- as.data.table(data.frame(a = c(1,2,3), b = c(9,8,7)))
second_dt <- copy(first_dt)

first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
#      a b
#1: 0.02 9
#2: 0.04 8
#3: 0.06 7
print(second_dt)
#   a    b
#1: 1 0.18
#2: 2 0.16
#3: 3 0.14

#####ANOTHER AS.DATA.TABLE#####
first_dt <- (data.frame(a = c(1,2,3), b = c(9,8,7)))
second_dt <- as.data.table(first_dt)
first_dt <- as.data.table(first_dt)
first_dt[,a:=a/50]
second_dt[,b:=b/50]
print(first_dt)
print(second_dt)

Answer 1

是的，这是故意的，而且非常有意为之。我们希望新用户查看我们的小插曲（例如1、2、3）以了解原因。

data.table 在设计时考虑了大型数据集（例如 1GB、10GB 或 50GB）。用这些数据浪费内存可能是分析工作与不可能之间的区别。您可以在 benchmark 中看到这一点的影响——data.table 的几个替代方案根本无法完成 50GB 数据集上的任务，即使机器有足够的内存 (128GB)。

您观察到的引用语义是实现此目标的必要权衡，而不需要溢出到磁盘或并行到不同的机器。

我的建议是注意这种行为，并在分析中使用它来更加小心——您真的需要一个具有相同行数的新表吗？可以用不同的方式实现你想要的吗？

copy 和 as.data.table 在需要时始终可以作为一种解决方法，但我认为成功使用 data.table 的一部分需要稍微改变方法。

PS 如果小插曲中有任何晦涩难懂或难以理解的内容，或者您​​有其他反馈意见，我们很乐意听到 - 请随时提交Issue。