data.table 赋值运算符与 R 中的列表

Question

我有一个包含 name 列的 data.table，我正在尝试从该名称中提取正则表达式。在这种情况下，最明显的方法是使用:= 运算符，因为我将这个提取的字符串指定为数据的实际名称。在这样做时，我发现这实际上并没有以我期望的方式应用该功能。我不确定这是否是故意的，我想知道它这样做是否有原因，或者它是否是一个错误。

library(data.table)
dt <- data.table(name = c('foo123', 'bar234'))

在简单字符向量中搜索所需表达式的行为符合预期：

name <- dt[1, name]
pattern <- '(.*?)\\d+'
regmatches(name, regexec(pattern, name))
[[1]]
[1] "foo123" "foo"  

我可以轻松地对其进行子集化以获得我想要的东西

regmatches(name, regexec(pattern, name))[[1]][2]
[1] "foo"

但是，当我尝试将其应用于整个 data.table 时遇到了问题：

dt[, name_final := regmatches(name, regexec(pattern, name))[[1]][2]]
dt
    name name_final
1: foo123        foo
2: bar234        foo

我不知道 data.table 内部是如何工作的，但我猜该函数首先应用于整个name 列，然后以某种方式将结果强制转换为向量，然后分配给新的@ 987654328@专栏。但是，我在这里期望的行为将是逐行的。我可以通过添加一个虚拟的id 列来模拟这种行为；

dt[, id := seq_along(name)]
dt[, name_final := regmatches(name, regexec(pattern, name))[[1]][2], by = list(id)]
dt
    name name_final id
1: foo123        foo  1
2: bar234        bar  2

这不是默认行为是否有原因？如果是这样，我猜它与列对 data.table 的原子性而不是行有关，但我想了解那里发生了什么。

Answer 1

R 中几乎没有什么是逐行运行的。一次处理数据列总是更好，因此您几乎可以假设整个列向量值将作为参数传递给您的函数。这是一种为 regmatches 列表中的每个项目提取第二个元素的方法

dt[, name_final := sapply(regmatches(name, regexec(pattern, name)), `[`, 2)]

sapply() 或 Vectorize() 之类的函数可以“伪造”对不打算一次在向量/数据列表上运行的函数的每行类型调用。