因此，在这方面，我想指出的第一件事是，collapse不是，也可能永远不会是一个像dplyr或data.table那样的成熟的拆分-应用合并计算工具。它的重点不是按组最佳地执行任意代码表达式，而是通过其提供的广泛的基于C++的统计和数据转换功能提供高级和高效的分组，加权，时间序列和面板数据计算。我参考collapse和data.table上的vignette，以进一步清楚这些要点以及集成示例。
因此，我认为只有在以下情况下才有意义将data.table代码转换为collapse：（1）你在data.table中想出了一个《双城之战》的表达式来完成它不擅长的复杂统计学（例如加权聚合、按组计算分位数或众数、对不规则面板进行滞后/差分，分组中心或线性/多项式拟合）（2）你实际上不需要data.table对象，但更愿意使用vectors / matrices / data.frame's/tibles（3）你想写一个统计程序，并且更喜欢标准求值编程而不是NS eval和data.table语法或（4）collapse确实对你的特定应用程序来说更快。
现在来看看你提供的具体代码。它混合了标准和非标准评估（例如通过使用get()），这是collapse不太擅长的。我会给予你3个解决方案，从完整的NS eval到完整的标准eval base R风格编程。

library(data.table)
library(nycflights13)
library(magrittr)
library(collapse)

data("flights")
flights_DT <- as.data.table(flights)

# Defining a function for the second aggregation
myFUN <- function(x) (cumsum(x[1:2])/sum(x))[2L]

# Soluting 1: Non-Standard evaluation
flights_DT %>%
  fgroup_by(carrier, month, day) %>% 
  fsummarise(agg_val_var = fsum(abs(arr_delay))) %>% 
  roworder(month, day, -agg_val_var, na.last = NA) %>%
  fgroup_by(month, day) %>%
  fsummarise(value_share = myFUN(agg_val_var)) %>% 
  roworder(-value_share)
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

创建于2021-03-12由reprex package（v0.3.0）
请注意，使用na.last = NA实际上消除了缺少agg_val_var的情况。这里需要这样做，因为fsum(NA)是NA，而不是像sum(NA, na.rm = TRUE)那样的0。现在，混合示例可能接近您提供的代码：

val_var <- "arr_delay"
id_var <- "carrier"
by <- c("month", "day")

# Solution 2: Hybrid approach with standard eval and magrittr pipes
flights_DT %>%
  get_vars(c(id_var, val_var, by)) %>%
  ftransformv(val_var, abs) %>% 
  collapv(c(id_var, by), fsum) %>%
  get_vars(c(by, val_var)) %>%
  roworderv(decreasing = c(FALSE, FALSE, TRUE), na.last = NA) %>%
  collapv(by, myFUN) %>%
  roworderv(val_var, decreasing = TRUE) %>%
  frename(replace, names(.) == val_var, "value_share")
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

创建于2021-03-12由reprex package（v0.3.0）
这里请注意，我在最后使用了frename来给予结果列命名，因为在collapse的同一个函数中不能混合使用标准和非标准eval。最后，collapse的一个很大的优点是，你可以用它来进行非常低级的编程：

# Solution 3: Programming
data <- get_vars(flights_DT, c(id_var, val_var, by))
data[[val_var]] <- abs(.subset2(data, val_var))
g <- GRP(data, c(id_var, by))
data <- add_vars(get_vars(g$groups, by), 
                 fsum(get_vars(data, val_var), g, use.g.names = FALSE))
data <- roworderv(data, decreasing = c(FALSE, FALSE, TRUE), na.last = NA)
g <- GRP(data, by)
columns
data <- add_vars(g$groups, list(value_share = BY(.subset2(data, val_var), g, myFUN, use.g.names = FALSE)))
data <- roworderv(data, "value_share", decreasing = TRUE)
data
#>      month day value_share
#>   1:    10   3   0.5263012
#>   2:     1  24   0.5045664
#>   3:     1  20   0.4885145
#>   4:    10  17   0.4870692
#>   5:     3   6   0.4867606
#>  ---                      
#> 361:     5   4   0.3220295
#> 362:     6  15   0.3205974
#> 363:     1  28   0.3197260
#> 364:    11  25   0.3161550
#> 365:     6  14   0.3128286

创建于2021-03-12由reprex package（v0.3.0）
我建议您参考关于programming with collapse的博客文章，以获得更有趣的例子，说明这如何有利于统计代码的开发。
现在为了评估，我将这些解决方案 Package 在函数中，其中DT()是您提供的data.table代码，在windows机器上使用2个线程运行。这将检查相等性：

all_obj_equal(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> TRUE

现在是基准测试：

library(microbenchmark)
microbenchmark(DT(), clp_NSE(), clp_Hybrid(), clp_Prog())
#> Unit: milliseconds
#>          expr      min       lq     mean   median       uq       max neval cld
#>          DT() 85.81079 87.80887 91.82032 89.47025 92.54601 132.26073   100   b
#>     clp_NSE() 13.47535 14.15744 15.99264 14.80606 16.29140  28.16895   100  a 
#>  clp_Hybrid() 13.79843 14.23508 16.61606 15.00196 16.83604  32.94648   100  a 
#>    clp_Prog() 13.71320 14.17283 16.16281 14.94395 16.16935  39.24706   100  a

如果你关心这几毫秒，请随意优化，但对于340，000个obs，所有解决方案都非常快。