如何借助data.table加速分组值的归一化处理

我正在尝试加速对data.table对象的特定计算。该表包含一个value列和一个或多个分组列，需求是：对每个分组组合，若组内value的总和大于1，就按比例缩小这些值，使其总和变为1；若总和不大于1，则保持原值不变。可以假设所有value均为非负。

示例数据设置（50万行） #

library(data.table)

n_rows <- 5e5

dt <- data.table(
  # 分组变量
  group1 = sample(letters, size = n_rows, replace = TRUE),
  group2 = sample(letters, size = n_rows, replace = TRUE),
  group3 = sample(letters, size = n_rows, replace = TRUE),
  group4 = sample(letters, size = n_rows, replace = TRUE),
  # 非负数值列
  value  = runif(n_rows)
)

初始解决方案 #

scale_values <- function(values) {
  values / sum(values)
}

dt[, {value := if (sum(value) > 1) {
                 scale_values(value)
               } else {
                 value
               }}, 
   by = list(group1, group2, group3, group4)]

这是我尝试多种data.table语法和scale_values替代实现后找到的最快方案，但实际场景中数据表会有约2000万行数据和5个分组列，希望能进一步提升速度。

补充：两步法优化 #

后来发现分两步处理的速度快得多：

dt[, sum_values := sum(value), by = list(group1, group2, group3, group4)][
   sum_values > 1, value := scale_values(value), by = list(group1, group2, group3, group4)]

但我不太清楚这种两步法速度更快的原因，希望能得到解释。

内容的提问来源于stack exchange，提问作者weakCoder