虽然“里奇萨克拉门托写的绝对是真的，但这是你要的信息。
首先，我想从set或:=开始。当看到关键字set时（可以只是函数名的 * 部分 *）或:=符号，您已经告诉data.table不要复制数据。（那个讨厌的=或<-），你已经改变了数据表，这是防止这个包浪费内存的关键方法之一。
请记住，RStudio中的环境窗格会在注册该操作符（=或<-）时触发更新，创建新的内容。由于您执行了替换，环境窗格可能会反映不正确的信息。您可以使用refresh图标（窗格右上角），或者您可以将对象打印到控制台进行检查。
只要声明窗格标识的任何内容，窗格中的所有内容都会更新。
将数据框更改为data.table。（注意关键字-set！）这两个命令的作用是相同的。但是，其中一个命令复制内存中的所有内容，然后重新创建。（将帧命名为相同的名称并不能防止复制。）

setDT(df)

df <- data.table(df)

我不会从你的第一个代码简介开始，我会从名字提取开始。
你写道：

x_cols = df  %>% 
  select(ends_with("x")) %>% 
  names()
# [1] "col1_x" "col2_x"

有很多方法可以得到这些信息，这就是我所做的，注意这和data.table没有任何关系，我只是用了R，你也可以用同样的方法使用 Dataframe 。

xcols <- names(df)[endsWith(names(df), 'x')]
# [1] "col1_x" "col2_x"

我将在剩下的例子中使用这个对象xcols（为什么要重复相同的声明呢？）
您编写以下代码是为了删除方括号和圆括号。

df = df %>%
  mutate(across(ends_with("x"),~ gsub("[][()]", "", .)))
#   id var                      col1_x                 col2_x
# 1  1   3                       1,2,3                  2,4,6
# 2  2   9 100,90,80,70,60,50,40,30,20 100,50,25,12,6,3,1,1,1

有几种方法可以做到这一点，无论是在 Dataframe 还是在data.table中。下面是两个可以用于data.table的方法。它们的作用完全相同，也与您的代码相同。
注意:=，它意味着表发生了变化。我使用了.SD和.SDcols。这是数据列选择工具。如果要使用多个列，请使用.SD代替列名。然后使用.SDcols告诉data.table要使用的列。通过对(xcols)进行注解，其中xcols是表示要使用的列名的变量，它告诉data.table替换用于聚合的列中的数据。
这两个函数的区别在于我是如何使用lapply的，这与data.table没有任何关系。如果你需要更多关于这个函数的信息，你可以问我，或者你可以浏览已经存在的许多问答。

df[, 
   (xcols) := lapply(.SD, function(k) gsub("[][()]", "", k)),
   .SDcols = xcols]

df[,
   (xcols) := lapply(.SD, gsub, pattern = "[][()]", 
                     replacement = ""),
   .SDcols = xcols]

您上次的请求就是基于此代码。

df %>% 
  rowwise()  %>% 
  mutate(across(all_of(x_cols),
                ~ifelse(var <= 5, 0, sens.slope(
                  as.numeric(unlist(
                    strsplit(., ','))))$estimates[[1]]),.)) %>%
  ungroup()

由于您使用var来描述何时应用此功能，因此我使用了by参数（如dplyr的group_by）。关于其他需求，您将再次看到.SD和lapply。

df[,
   (xcols) := lapply(.SD, 
          function(k) {
            ifelse(var <= 3, 0, 
                   sens.slope(as.numeric(strsplit(k, ",")[[1]])
                   )$estimates[[1]])
          }), by = var, .SDcols = xcols]

如果你想一想它们之间的区别，你会发现，在很多方面，它们并没有那么大的不同。例如，在最后一个 * 翻译 * 中，你会看到我在dplyr中使用的类似方法。

df %>% group_by(var) %>% 
  mutate(across(all_of(x_cols),
                ~ifelse(var <= 5, 0, sens.slope(
                  as.numeric(unlist(
                    strsplit(., ','))))$estimates[[1]])))