R语言data.table如何通过表连接用另一表值替换对应列值

需求说明 #

现有名为big的data.table对象，需要使用另一个名为new_big的data.table中的对应值，替换big中匹配id的col列取值。

测试数据构造代码 #

library(data.table)
big <- structure(list(id = c("B", "C", "D", "E", "F", "G", "H", "I", 
"J", "K"), col = c(103L, 103L, 102L, 105L, 104L, 103L, 104L, 104L, 
104L, 103L)), row.names = c(NA, -10L), class = c("data.table", 
"data.frame"))
new_big <- structure(list(id = c("B", "E", "G"), col = c(1, 11, 111)), row.names = c(NA, 
-3L), class = c("data.table", "data.frame"))

测试数据内容 #

big表内容：

> big
    id col
 1:  B 103
 2:  C 103
 3:  D 102
 4:  E 105
 5:  F 104
 6:  G 103
 7:  H 104
 8:  I 104
 9:  J 104
10:  K 103

new_big表内容：

> new_big
   id col
1:  B   1
2:  E  11
3:  G 111

期望输出 #

id  col
 1:  B 1
 2:  C 103
 3:  D 102
 4:  E 11
 5:  F 104
 6:  G 111
 7:  H 104
 8:  I 104
 9:  J 104
10:  K 103

错误写法问题说明 #

尝试使用以下语句未得到预期结果：

big[new_big, on = .(id)]

该写法返回结果仅包含id匹配的行，同时存在col和i.col两列：

id col i.col
1:  B 105     1
2:  E 103    11
3:  G 101   111

问题原因：该写法本质是以new_big为基准的右连接，仅返回new_big中存在的id匹配行；且两个表存在同名列col时，data.table会自动为连接方（i位置的new_big）的同名列添加i.前缀做区分，不会自动替换原表列值。

正确实现方法 #

• 方法1：原地更新（推荐，适合大数据量场景）
  使用data.table的按引用赋值运算符:=，直接在原big对象上修改匹配行的值，无全表复制开销，性能最优：

big[new_big, on = .(id), col := i.col]

运行后直接查看big即可得到期望结果，未匹配到id的行col值保持原有取值不变。

• 方法2：生成新结果表（不修改原big对象）
  如果需要保留原始big对象不变，可以先复制原表再做更新，赋值给新的结果对象：

result <- copy(big)[new_big, on = .(id), col := i.col]

运行后result为期望的更新后表，原始big内容不发生改动。

内容的提问来源于stack exchange，提问作者Saurabh