R：使用 dplyr 和 data.table 进行左连接的不同结果

Question

我想知道为什么 data.table 的左连接没有给我多个匹配项，似乎有一些奇怪的内置“无重复”，这并不能真正使其成为左连接，不是吗？

数据：

test=data.table(mtcars[1,])
test2=data.table(mtcars[c(1,1),])

数据表：

test[test2, on = c(carb = "carb"), wt2 := i.wt]

dplyr：

test %>% left_join(test2 %>% select(carb, wt) %>% rename(wt2 = wt), 
                       by = "carb")

dplyr 给了我正确的两行结果，但 data.table 只给了我一行。这里发生了什么？

Answer 1

在这里参考@Frank的答案：\n左连接（一列）首选哪种 data.table 语法

\n

，以及 @Jaap 的答案：\n使用 data.table 进行左连接

\n

我认为对于真正寻求左连接并来到这个社区寻求答案的人来说，这是一个危险的领域。链接中提供的参考示例更新（使用 的解决方案:=）（此处 OP 使用的方法相同）并不是真正的左连接。左连接返回左表中的所有记录，以及右表中的匹配记录，但data.table我们正在讨论的这种语法实际上并不返回右表中的所有匹配记录，因此不是左连接。

\n

data.table 文档明确指出左连接是：

\n

X[DT, on="x"] # left join\n

\n

，这将使正确的 data.table OP 正在查找：

\n

test[test2, on="carb"] # or,\ntest[test2[, wt2 := wt][,c("carb", "wt2")], on="carb"] # left join\n

\n

:=@Jaap 在他的回答中解释了通过引用连接（使用符号）和常规左连接之间的区别：

\n

\n

虽然这对于像这样的小数据集来说没有明显的区别，但它确实对 data.table 设计的大型数据集产生了影响。

\n

\n

在我看来，这里有两个说法很可怕。一是结果确实存在明显的差异，因为使用两种方法的结果是不同的（尽管我理解他在谈论速度，编辑：正如@jangorecki指出的那样，这与速度无关，而是与内存使用有关。通过引用更新不会在内存中创建第二个对象）。第二件事是假设（在我看来，恭敬地）是，如果一个人正在处理大型数据集并且意图是进行左连接，那么我从来没有人不希望右表中的所有匹配项。

\n

我\xe2\x80\x99m 不知道如何使用\xe2\x80\x98data.table\xe2\x80\x99 中的引用更新来实际执行左连接。我的推理是它:=被定义为仅在 j 中使用（data.table语法）。它通过引用添加、更新或删除列。它根本不复制内存的任何部分。但是，由于如果我们在右表中获得多个匹配项（如果我们打算进行实际的左连接），我们可能必须向左表添加额外的行，因此 si don\xe2\x80\x99t 认为可以:=使用该运算符，因为它适用于列

\n