在R语言data.table中如何通过链式操作实现分组排序复现dplyr结果？

你编写的data.table代码存在3个核心问题：

• 不符合data.table的DT[i, j, by]语法规则：第一个参数位i用于行过滤，不需要指定by = Date，额外加的by参数会导致过滤逻辑完全失效
• 取值逻辑和需求不符：.SD[1]仅能返回每个分组的第一条数据，和dplyr代码中slice_max(n=10)取前10条的目标不一致
• 管道混用问题：data.table原生支持DT[][]的链式调用，不需要借用dplyr的%>%管道，混用容易出现环境调用异常

# 预计算最大日期，避免重复运算提升执行效率
max_dt <- max(df_ind_stacked_daily$Date)

# data.table实现，与你提供的dplyr代码结果完全一致
dt_res <- df_ind_stacked_daily[
  # 行过滤逻辑
  Daily_cases_type == "Daily_confirmed" &
  Date >= max_dt - 6 & Date <= max_dt &
  State.UnionTerritory != "India",
  # 分组取每个日期下病例数前10的记录
  order(-Daily_cases_counts), .SD[1:10], by = Date
]

你可以通过以下代码确认两者结果一致：

dplyr_res <- df_ind_stacked_daily %>% as_tibble() %>% 
  filter(Daily_cases_type == "Daily_confirmed",
         Date >= max(Date) - 6 & Date <= max(Date),
         State.UnionTerritory != "India"
  ) %>%
  group_by(Date) %>%
  slice_max(order_by = Daily_cases_counts, n = 10) %>% 
  ungroup() 

# 忽略行序对比结果，返回TRUE说明完全一致
all.equal(dt_res, as.data.table(dplyr_res), ignore.row.order = TRUE)

你做基准测试时可以注意：将max(Date)预计算出来存为变量，比在过滤条件中每次重复计算max(Date)的执行效率更高，数据量越大差异越明显。

内容的提问来源于stack exchange，提问作者ViSa