如何在data.table中同时创建列并引用新生成的列？

data.table的:=操作是同时计算所有右侧表达式的，这就导致在同一:=调用里，刚定义的新列还未被写入数据表，无法被后续的表达式引用，这就是你遇到报错的原因。下面是几种高效的解决办法：

方法1：利用代码块一次性完成赋值（推荐） #

通过大括号{}在j表达式中先计算中间变量，再一次性返回所有新列的结果，这样只需要一次分组操作，且中间值不会重复计算：

library(data.table)
# 构造带分组的示例数据
dt = data.table(a = c(1,2,3,4,5), 
                b = c(4,5,6,7,8),
                group = c("X", "X", "Y", "Y", "Y"))

# 一次性创建A和B列，复用中间计算结果
dt[, c("A", "B") := {
  A_val = a * a  # 先计算中间值
  list(A_val, A_val * b)  # 返回包含新列值的列表
}, by = group]

# 查看结果
print(dt)

输出：

a b group  A   B
1: 1 4     X  1   4
2: 2 5     X  4  20
3: 3 6     Y  9  54
4: 4 7     Y 16 112
5: 5 8     Y 25 200

这种方式的优势是：仅执行一次分组，中间变量A_val只计算一次，既避免了重复计算，也不需要多次分组调用，在处理大量分组数据时效率最高。

方法2：链式赋值（简化写法，性能损耗极小） #

虽然看起来是两次分组调用，但data.table会缓存分组的索引信息，第二次分组操作会直接重用之前的分组结果，实际性能损耗非常小：

dt[, A := a * a, by = group][, B := A * b, by = group]

这种写法更简洁，适合中间计算逻辑简单的场景。

需避免的写法 #

不要采用dt[, := (A = a*a, B = a*a*b), by=group]这种写法，因为a*a会被计算两次，当a*a是复杂耗时的计算时，会浪费大量计算资源。

内容的提问来源于stack exchange，提问作者Matthew Cassell