基于主DataFrame生成子DataFrame并求和的R代码需求

针对你的需求，这里提供两种高效的非循环实现方式，避免循环导致的结果覆盖和效率问题：

方法一：使用tidyverse（代码易读，适合复杂计算逻辑） #

先加载依赖包，构造示例数据（你可以替换成自己的main_df）：

library(dplyr)
library(tidyr)

# 构造示例主DataFrame（1000行5列）
set.seed(123)
main_df <- tibble(
  Var1 = rnorm(1000),
  Var2 = rnorm(1000),
  Var3 = rnorm(1000),
  Var4 = rnorm(1000),
  Var5 = runif(1000, min = 1, max = 2)
) %>% mutate(row_id = row_number()) # 添加行唯一标识

# 定义t的取值范围（子DataFrame的行）
t_vals <- 1:100

接下来生成所有行与t的交叉组合，计算各输出列，最后按t求和：

# 生成所有row_id与t的交叉数据集，关联主DF变量
all_data <- crossing(row_id = main_df$row_id, t = t_vals) %>%
  left_join(main_df, by = "row_id") %>%
  mutate(
    # 按需求定义各输出列
    Output1 = Var1 * Var3 + t,
    Output2 = Var5 ^ t,
    Output3 = Var2 + Var4 * t,
    # 对每个row_id内部的Output2计算累积乘积
    Output10 = cumprod(Output2), .by = row_id
  )

# 按t分组，对所有输出列求和得到final_df
final_df <- all_data %>%
  group_by(t) %>%
  summarise(across(starts_with("Output"), sum), .groups = "drop")

方法二：使用base R矩阵操作（效率更高，适合大数据量） #

如果你的数据量很大，矩阵操作的计算速度会更快：

set.seed(123)
main_df <- data.frame(
  Var1 = rnorm(1000),
  Var2 = rnorm(1000),
  Var3 = rnorm(1000),
  Var4 = rnorm(1000),
  Var5 = runif(1000, 1, 2)
)

t_vals <- 1:100
n_main <- nrow(main_df)
n_t <- length(t_vals)

# 将主DF变量转换为矩阵：每列对应主DF一行，每行对应一个t值
Var1_mat <- matrix(rep(main_df$Var1, each = n_t), ncol = n_main)
Var3_mat <- matrix(rep(main_df$Var3, each = n_t), ncol = n_main)
Var5_mat <- matrix(rep(main_df$Var5, each = n_t), ncol = n_main)
t_mat <- matrix(rep(t_vals, n_main), ncol = n_main)

# 计算各输出列，rowSums直接对所有主DF行的子DF对应单元格求和
Output1 <- rowSums(Var1_mat * Var3_mat + t_mat)
Output2 <- rowSums(Var5_mat ^ t_mat)
# 先对每列（主DF行）计算cumprod，再按行求和
Output10 <- rowSums(apply(Var5_mat ^ t_mat, 2, cumprod))

# 组合成最终结果
final_df <- data.frame(
  t = t_vals,
  Output1 = Output1,
  Output2 = Output2,
  Output10 = Output10
  # 按需添加其他输出列
)

原循环问题说明 #

你之前用循环只得到最后一行结果，大概率是每次循环都直接用新子DF覆盖了final_df，正确的循环应该是final_df <- final_df + current_sub_df，但循环在R中处理1000次迭代效率极低，上述非循环方法通过向量化操作一次性完成计算，既高效又避免了赋值错误。

内容的提问来源于stack exchange，提问作者lila