为何使用`<-`布尔子集可自动创建不存在列？与within的差异

先创建示例数据框：

(df <- data.frame(x=c(1, 2, NA, NA)))
# 输出结果：
#    x
# 1  1
# 2  2
# 3 NA
# 4 NA

疑问点 #

为什么直接调用赋值函数给不存在的foo列的子集赋值时，能自动创建出foo列？

`<-`(df$foo[!is.na(df$x)], 999)
df
# 输出结果：
#    x foo
# 1  1 999
# 2  2 999
# 3 NA  NA
# 4 NA  NA

而使用within()函数时，必须先初始化foo列才能完成子集赋值，否则会报错：

df <- data.frame(x=c(1, 2, NA, NA))
df |> within(foo[!is.na(x)] <- 999)
# 报错信息：Error: object 'foo' not found

# 先初始化列则正常运行
df |> within({foo <- NA_real_; foo[!is.na(x)] <- 999})
# 输出结果：
#    x foo
# 1  1 999
# 2  2 999
# 3 NA  NA
# 4 NA  NA

核心原理 #

1. 直接df$foo[子集] <- 值的逻辑 #

当通过$访问数据框不存在的列并做子集赋值时，R的处理流程是：

• 首先创建一个和数据框行数一致、全为NA的临时向量；
• 对这个临时向量的指定子集（!is.na(df$x)对应的行）赋值为999；
• 最后将这个修改后的向量绑定为数据框的新列foo。

这是数据框$赋值运算符的内置特性：自动补全缺失列的结构，再完成赋值。

2. within()函数的逻辑 #

within()会在一个临时环境中操作数据框的列，把每一列当作独立变量处理：

• 当执行foo[!is.na(x)] <- 999时，函数会先在临时环境中查找foo变量，此时foo不存在，因此抛出“对象未找到”的错误；
• 只有先通过foo <- NA_real_在临时环境中创建长度匹配的向量后，才能对其子集赋值，最后within会把临时环境中的变量整合回原数据框。

内容的提问来源于stack exchange，提问作者jay.sf