R data.table为何修改未引用的数据表？技术问询

哥们，你确实踩中了data.table最核心的特性之一——引用式修改（modify-by-reference），这也是它处理大数据集效率拉满的关键，但刚上手很容易栽这个坑！

核心原因 #

在R里，普通data.frame的赋值（比如df2 <- df1）默认会创建数据的副本，但data.table为了性能优化，默认采用引用传递：

• dt2 <- dt1并没有复制dt1的数据，只是给内存里同一个data.table对象多贴了个“标签”（相当于给同一个文件建了两个快捷方式）。
• 而data.table的:=操作符是原地修改数据——直接在原对象的内存地址上改内容，不会创建新副本。所以你给dt2加lx列时，本质是改了dt1和dt2共同指向的那个数据对象，最后两个表当然一模一样。

解决办法 #

有两种常用方式可以避免改动原表：

方法1：用copy()创建独立副本

显式调用copy()生成dt1的完整副本，之后再修改dt2就完全不会影响dt1了：

library(data.table)
x <- rnorm(100, 0, 1)
dt1 <- data.table(x)
dt2 <- copy(dt1)  # 生成真正的独立副本
dt2[, lx:= shift(x, 1, type= "lag")]
identical(dt1, dt2)  # 结果为FALSE，符合预期

方法2：直接生成新表（更简洁）

不用先复制再修改，直接在创建dt2时就生成包含原列和滞后列的新表，这样会自动创建独立的data.table对象：

library(data.table)
x <- rnorm(100, 0, 1)
dt1 <- data.table(x)
dt2 <- dt1[, .(x, lx = shift(x, 1, type = "lag"))]  # 一步生成新表
identical(dt1, dt2)  # 结果为FALSE

补充说明 #

data.table的引用式设计是为了避免大数据集复制带来的内存浪费和性能损耗，熟练用起来会大幅提升处理效率，但一定要记牢：如果不想改动原表，必须显式复制或者直接生成新表！

内容的提问来源于stack exchange，提问作者txinferno