注意：此答案的第 (3) 部分已于 2019 年 4 月更新，因为随着时间的推移 data.table 发生了许多变化，原始版本已过时。此外，从 data.table 的所有实例中删除了参数 with= 的使用，因为它已被弃用。
1) 好吧，至少对于rowsums 示例而言，不使用它的一个原因是性能和创建不必要的列。与下面的选项 f2 相比，它几乎快 4 倍并且不需要 rowpos 列（请注意，原始问题使用 rowSums 作为示例函数，这部分答案对此做出了回应。OP 之后编辑了问题使用不同的功能，这个答案的第 3 部分更相关`）：
dt <- data.table(V0 =LETTERS[c(1,1,2,2,3)], V1=1:5, V2=3:7, V3=5:1)
f1 <- function(dt){
dt[, rowpos := .I]
dt[ , sdd := rowSums(.SD[, 2:4]), by = rowpos ] }
f2 <- function(dt) dt[, sdd := rowSums(.SD), .SDcols= 2:4]
library(microbenchmark)
microbenchmark(f1(dt),f2(dt))
# Unit: milliseconds
# expr min lq mean median uq max neval cld
# f1(dt) 3.669049 3.732434 4.013946 3.793352 3.972714 5.834608 100 b
# f2(dt) 1.052702 1.085857 1.154132 1.105301 1.138658 2.825464 100 a
2) 关于第二个问题，虽然dt[, sdd := sum(.SD[, 2:4]), by = .I] 不起作用，但dt[, sdd := sum(.SD[, 2:4]), by = 1:NROW(dt)] 工作得很好。鉴于根据?data.table ".I 是一个等于 seq_len(nrow(x))" 的整数向量，人们可能会认为它们是等价的。但是，不同之处在于.I 用于j，而不是by。注意 .I 的值是在 data.table 内部计算的，因此不能像 by=.I 那样事先作为参数值传入。
也可以预期by = .I 应该只是抛出一个错误。但这不会发生，因为加载data.table 包会在可从全局环境访问的data.table 命名空间中创建一个对象.I，其值为NULL。您可以通过在命令提示符下键入.I 来测试它。 （注意，同样适用于.SD、.EACHI、.N、.GRP 和 .BY）
.I
# Error: object '.I' not found
library(data.table)
.I
# NULL
data.table::.I
# NULL
这样做的结果是by = .I 的行为等同于by = NULL。
3) 虽然我们已经在第 1 部分中看到，在 rowSums 的情况下，它已经有效地逐行循环，但还有比创建 rowpos 列更快的方法。但是，如果我们没有快速的逐行函数，那么循环呢？
将by = rowpos 和by = 1:NROW(dt) 版本与for 循环与set() 进行基准比较在这里提供了丰富的信息。我们发现在 for 循环中循环 set 比使用 data.table 的 by 参数进行循环的任何一种方法都慢。但是，创建附加列的by 循环与使用seq_len(NROW(dt)) 的循环之间的时间差异可以忽略不计。在没有任何性能差异的情况下，似乎f.nrow 可能更可取，但只是在更简洁且不创建不必要的列的基础上
dt <- data.table(V0 = rep(LETTERS[c(1,1,2,2,3)], 1e3), V1=1:5, V2=3:7, V3=5:1)
f.rowpos <- function() {
dt[, rowpos := .I]
dt[, sdd := sum(.SD[, 2:4]), by = rowpos ]
}
f.nrow <- function() {
dt[, sdd := sum(.SD[, 2:4]), by = seq_len(NROW(dt)) ]
}
f.forset<- function() {
for (i in seq_len(NROW(dt))) set(dt, i, 'sdd', sum(dt[i, 2:4]))
}
microbenchmark(f.rowpos(),f.nrow(), f.forset(), times = 5)
# Unit: milliseconds
# expr min lq mean median uq max neval
# f.rowpos() 559.1115 575.3162 580.2853 578.6865 588.5532 599.7591 5
# f.nrow() 558.4327 582.4434 584.6893 587.1732 588.6689 606.7282 5
# f.forset() 1172.6560 1178.8399 1298.4842 1255.4375 1292.7393 1592.7486 5
因此，总而言之，即使在没有优化函数（例如 rowSums）已经按行操作的情况下，也有使用 rowpos 列的替代方法，虽然速度不快，不需要创建冗余列。