求高效实现：为data.table中条目匹配对应小写形式的code

问题背景 #

我有一个约200万行、包含entry和code两列的data.table x。entry列的字符值可能存在对应的小写形式条目，也存在仅为小写或仅为非小写的条目，每行的code唯一。

可复现示例 #

library(data.table)
x <- data.table(entry = c("Aaa", "Bbb", "Ccc", "aaa", "bbb", "ddd"),
                code = c(1, 2, 3, 4, 5, 6))

目标需求 #

新增low_code列：若entry存在对应小写形式条目，则填入其code；否则保留自身code，预期结果如下：

entry code low_code
1:   Aaa    1        4
2:   Bbb    2        5
3:   Ccc    3        3
4:   aaa    4        4
5:   bbb    5        5
6:   ddd    6        6

当前低效实现 #

我当前使用sapply逐行处理，在200万行数据上速度极慢，推测是逐行索引导致的：

x$low_code <- sapply(x$entry, USE.NAMES = F, FUN = function (e) {
  low_e <- tolower(e)
  ret <- x[x$entry == low_e,][["code"]]
  if (length(ret) == 0) { 
    ret <- x[x$entry == e,][["code"]]
  } 
  stopifnot(length(ret) %in% c(0, 1))
  ret
})

高效data.table实现方案 #

简洁版代码 #

# 提取所有小写entry及其对应的code
lower_map <- x[tolower(entry) == entry, .(low_entry = entry, low_code = code)]
# 通过entry的小写形式关联映射表，填充low_code
x[lower_map, low_code := i.low_code, on = .(entry = tolower(low_entry))]
# 对没有匹配到小写条目的行，用自身code填充
x[is.na(low_code), low_code := code]

详细说明 #

1. 批量处理替代逐行操作：完全避免sapply的逐行索引，利用data.table的分组和连接特性，所有操作都是批量完成，这是大样本下性能提升的关键。
2. 构建小写映射表：先筛选出所有本身就是小写的entry及其code，形成一个映射关系表。
3. 高效关联填充：使用data.table的更新连接（on = .(entry = tolower(low_entry))），将原表中每个entry的小写形式与映射表匹配，直接填充对应的low_code。
4. 补全缺失值：对于没有对应小写条目的行（比如Ccc和ddd），直接用自身的code填充low_code。

稳健版代码（适用于复杂场景） #

如果担心存在多个非小写条目对应同一个小写的情况，这个版本更稳妥：

# 按entry的小写形式分组，优先取小写自身的code，否则取分组内第一个code
low_map <- x[, .(
  target_code = ifelse(tolower(entry) == entry, code, NA)
), by = entry][, .(
  low_code = na.omit(target_code)[1]
), by = .(low_entry = tolower(entry))]

# 关联回原表并填充
x[low_map, low_code := i.low_code, on = .(entry = low_entry)]
x[is.na(low_code), low_code := code]

这个版本先为每个entry标记是否是小写，再按小写分组提取有效的目标code，确保每个小写分组只取到对应的小写条目code（如果存在）。

内容的提问来源于stack exchange，提问作者swolf