R Studio中如何高效实现data frame列计算 替代低效for循环

运行环境为R 4.1.0，需要对名为my_df的数据框，按公式(x/180) * 100基于x列计算派生值存入新增的y列。原逐行for循环写法在百万行级数据下运行效率极低，需要更高性能的实现方案。
初始测试数据结构：

目标输出结构：

原低效且存在错误的for循环代码：

for (i in 1: length(my_df) {
   my_df$y[i] <- (my_df$x[i]/180) * 100
}

R原生支持向量化运算，整列算术操作的底层由C实现，无需逐行写循环，百万行规模计算耗时通常在毫秒级，性能远超逐行for循环。

方案1：Base R原生实现（无依赖、速度最优） #

直接对整列执行运算即可，无需加载任何第三方包：

# 基础计算
my_df$y <- (my_df$x / 180) * 100
# 若需要和示例一致保留2位小数，套round函数即可
my_df$y <- round((my_df$x / 180) * 100, 2)

注意：你原有的for循环本身存在逻辑bug：length(my_df)返回的是数据框的列数而非行数，小样本下如果列数和行数接近可能暂时看不出异常，数据量变大后y列会出现大量NA值。就算将循环范围修正为1:nrow(my_df)，逐行修改数据框的写法会触发频繁的内存拷贝，效率依然极低。

方案2：dplyr实现（适配数据处理流水线） #

如果日常使用tidyverse生态做数据处理，可以用mutate实现，性能同样优秀：

library(dplyr)
my_df <- my_df %>%
  mutate(y = round((x / 180) * 100, 2))

百万行规模下，上述两种向量化方案的耗时均在10毫秒级别，原逐行for循环的耗时通常是向量化方案的几十到上百倍，R中处理整列级别的算术运算时，优先使用向量化操作，非必要不要写逐行循环。

内容的提问来源于stack exchange，提问作者cmartini86