data.table与dplyr混用：bind_rows与rbindlist结果差异原因探究

在Ubuntu系统的R 3.6.3环境中，使用dplyr 1.1.2与data.table 1.14.8执行以下代码时出现异常：

library(data.table)
library(dplyr)
mydt1 = data.table(year=rep(2017:2018, each=3), month=rep(1:3, times=2))
mydt2 = data.table(year=rep(2016:2017, each=3), month=rep(4:6, times=2))
mydt1[year == 2018]    # 此操作似乎为mydt1隐式添加year索引
rbindlist(list(mydt1, mydt2))[year == 2017]
# 得到预期输出：
#    year month
# 1: 2017     1
# 2: 2017     2
# 3: 2017     3
# 4: 2017     4
# 5: 2017     5
# 6: 2017     6
subset(bind_rows(mydt1, mydt2), year == 2017)
# 输出与上述一致
bind_rows(mydt1, mydt2)[year == 2017]
# 结果不符：
#    year month
# 1: 2017     1
# 2: 2017     2
# 3: 2017     3

1. 为何dt[cond]与subset(dt, cond)结果不同？ #

问题出在data.table的隐式索引和dplyr函数的对象转换逻辑冲突：

• 执行mydt1[year == 2018]时，data.table会自动给mydt1创建一个基于year的隐式索引——这是它的优化操作，用来加快后续同列的筛选速度。
• bind_rows是dplyr的函数，它把输入的data.table转成了tibble（或data.frame），但转换过程中并没有保留data.table的隐式索引信息。不过这里有个关键点：bind_rows返回的对象使用[操作符时，因为原输入是data.table，dplyr会保留它的data.table类，但内部的索引逻辑已经混乱。
• dt[cond]调用的是data.table专属的[.data.table方法，它会尝试使用之前给mydt1建立的year索引，但这个索引只对应mydt1的行结构，合并后的新表包含了mydt2的行，索引无法匹配完整数据，导致筛选时只返回了mydt1里符合条件的行。
• 而subset用的是data.frame的处理逻辑，直接在完整的合并数据上做筛选，不受data.table隐式索引的影响，所以结果正确。

2. 链式混用data.table与tidyverse函数是否普遍存在风险？ #

没错，这种混用确实大概率踩坑，主要有这几个原因：

• 操作符与方法逻辑冲突：data.table和tidyverse对[、%>%这些操作的实现逻辑完全不同，混用很容易触发错误的方法调用，就像这次的[操作错用了旧索引。
• 隐式行为不一致：data.table有很多自动操作（比如自动建索引、修改原对象的引用语义），而tidyverse坚持数据不可变原则，两者的隐式操作叠加后，结果完全不可预测。
• 性能与逻辑混乱：data.table的优势就是靠索引实现快速操作，而tidyverse的函数会频繁转换对象类型，不仅抵消了data.table的性能优势，还让代码逻辑变得难以调试。
• 版本兼容性坑多：不同版本的dplyr和data.table对交叉对象的处理逻辑可能变化，比如有的版本dplyr会把data.table完全转成tibble，有的版本又保留部分data.table特性，进一步增加了不确定性。

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