R语言优化循环效率：基于另一数据框行操作目标数据框列

数据准备 #

我有两个数据框：

dat <- data.frame(Digits_Lower = 1:5,
                  Digits_Upper = 6:10,
                  random = 20:24)
dat
#>   Digits_Lower Digits_Upper random
#> 1            1            6     20
#> 2            2            7     21
#> 3            3            8     22
#> 4            4            9     23
#> 5            5           10     24

cb <- data.frame(Digits = c("Digits_Lower", "Digits_Upper"),
                 x = 1:2, 
                 y = 3:4)
cb                 
#>         Digits x y
#> 1 Digits_Lower 1 3
#> 2 Digits_Upper 2 4

需求与现有循环实现 #

我需要对dat中的指定列执行运算：将dat的列与cb中对应行按公式(dat列值 - cb$y[i]) * cb$x[i]计算，生成新列。目前用for循环实现如下：

dat.loop <- dat
for(i in seq_len(nrow(cb)))
{
# 基于cb的Digits列创建新列
  dat.loop[paste0("disp", sep = '.', cb$Digits[i])] <- 
    # 将dat列中每个值与cb对应行执行运算
    (dat.loop[, cb$Digits[i]]- cb$y[i]) * cb$x[i]
}
dat.loop 
#>   Digits_Lower Digits_Upper random disp.Digits_Lower disp.Digits_Upper
#> 1            1            6     20                -2                 4
#> 2            2            7     21                -1                 6
#> 3            3            8     22                 0                 8
#> 4            4            9     23                 1                10
#> 5            5           10     24                 2                12

但我的数据集规模极大，循环使用起来非常繁琐，后续还要对新增列执行类似运算。

疑问 #

1. 使用data.table或tidyverse这类工具能否提升运算效率？
2. 如何优化现有循环或用其他方法编写简洁代码，实现dat列与cb对应行的运算？理想状态是把循环拆成多个函数，避免重复索引cb或添加不必要的数据，但不知道怎么实现。

编辑补充：通用化实现（基于tidytable） #

我修改了他人提供的代码，使其更通用——因为dat和cb来自用户上传文件，dat的列数和列名不固定，但需要处理的列均以"Digits_"开头，且在cb的Digits列中指定：

library(tidytable)

results <- dat %>% 
  crossing.(cb) %>% 
  mutate_rowwise.(disp = (get(`Digits`)-y) *x ) %>%
  pivot_wider.(names_from = Digits,
              values_from = disp,
              names_prefix = "disp_")

results2 <- results %>% 
  fill.(starts_with("disp"), .direction = c("downup"), .by = 'random') %>% 
  select.(-c(x,y)) %>% 
  distinct.()
              
results2
#>   Digits_Lower Digits_Upper random disp_Digits_Lower disp_Digits_Upper
#> 1            1            6     20                -2                 4
#> 2            2            7     21                -1                 6
#> 3            3            8     22                 0                 8
#> 4            4            9     23                 1                10
#> 5            5           10     24                 2                12

内容的提问来源于stack exchange，提问作者kzyat