嗨，这个需求其实挺常见的，不管用for循环还是apply系列函数都能搞定，下面给你详细拆解两种方法，以及怎么高效提取所有模型的p值：

先明确前提 #

假设你的数据框叫df，第一列是因变量Y，剩下的130列是自变量X1到X130。

方法一：用apply系列函数（简洁省心） #

apply/sapply可以一行完成遍历和计算，代码更紧凑，适合快速实现：

# 提取所有自变量的列索引（从第2列到最后一列）
x_cols <- 2:ncol(df)

# 用sapply遍历每一列，自动返回p值向量
p_values <- sapply(x_cols, function(col) {
  # 对当前自变量和Y做线性回归
  model <- lm(df[, 1] ~ df[, col])
  # 提取自变量对应的p值（第二行第四列是自变量的p值，第一行是截距项）
  summary(model)$coefficients[2, 4]
})

# 给p值向量加上自变量名称，方便对应查看
names(p_values) <- colnames(df)[x_cols]

方法二：用for循环（直观易调试） #

如果你是R新手，或者需要中途调试每个模型的结果，for循环会更直观，每一步都清晰可控：

# 初始化一个空向量，用来存130个p值
p_values <- numeric(length = ncol(df) - 1)
# 给向量命名，对应自变量列名
names(p_values) <- colnames(df)[-1]

# 遍历每一个自变量列
for (i in 2:ncol(df)) {
  # 构建单变量回归模型
  model <- lm(df[, 1] ~ df[, i])
  # 提取p值，存入向量的对应位置
  p_values[i - 1] <- summary(model)$coefficients[2, 4]
}

关于效率：apply vs for循环 #

很多人觉得apply比for循环快，但其实现在R的for循环已经经过优化，两者效率相差不大——甚至在数据量很大的时候，for循环因为减少了函数调用的额外开销，反而可能更快。

选择哪种完全看个人习惯：

• 喜欢简洁代码、少写行数：选apply
• 喜欢步骤清晰、方便调试：选for循环

整理结果（可选） #

如果想把p值整理成更易读的数据框，或者按显著性排序，可以这么做：

# 转成数据框
p_result <- data.frame(
  自变量名称 = names(p_values),
  P值 = p_values,
  stringsAsFactors = FALSE
)

# 按P值从小到大排序，快速找到显著变量
p_result_sorted <- p_result[order(p_result$P值), ]

# 查看前10个最显著的变量
head(p_result_sorted, 10)

内容的提问来源于stack exchange，提问作者ay__ya