如何在data.table中为多列分别应用不同条件更新数据？

问题背景 #

给定如下data.table：

dt <- data.table(
        year = c(2020, 2021, 2022), 
        b    = c(10, 20, 30), 
        c    = c(100, 200, 300)
      )

需求是为指定列分别匹配对应year条件，将符合条件的单元格设为NaN。现有for循环实现如下：

cols_to_update <- c("b", "c") 
conds <- c(2020, 2022)

for ( i in seq_along(cols_to_update)) { 
    dt[year == conds[i], (cols_to_update[i]) := NaN] 
}

print(dt)  

期望输出：

year  b   c
1: 2020 NaN 100
2: 2021  20 200
3: 2022  30 NaN

希望找到更简洁高效的data.table原生实现方式，避免for循环（虽可用但想更贴合data.table风格）。

解决方案 #

方法1：用Map配对列与条件 #

利用Map将列名和对应条件一一绑定，直接在data.table中完成赋值，代码更简洁：

cols_to_update <- c("b", "c") 
conds <- c(2020, 2022)

Map(function(col, cond) dt[year == cond, (col) := NaN], cols_to_update, conds)

方法2：用.SDcols结合lapply #

通过构造逻辑判断，配合.SD批量处理目标列：

cols_to_update <- c("b", "c") 
conds <- c(2020, 2022)

dt[, (cols_to_update) := lapply(seq_along(cols_to_update), function(i) {
  ifelse(year == conds[i], NaN, .SD[[i]])
}), .SDcols = cols_to_update]

补充说明 #

其实data.table的for循环本身效率并不低（因为data.table的赋值是原地修改，无额外内存拷贝），但上述两种方法更符合data.table的向量化风格，代码更紧凑。如果列数较多，这两种方法的可读性和维护性会更优。

内容的提问来源于stack exchange，提问作者John1104108