嘿，针对你这种大规模时间序列里批量生成滞后变量的需求，这里有几个高效的实现方案，完全不用手动逐个写变量，直接批量搞定：

首先先确认你的原始数据是这样的：

a <- c(1, 2, 9, 18, 6, 45)
b <- c(12, 3, 34, 89, 108, 44)
c <- c(0.5, 3.3, 2.4, 5, 13, 2)
df <- data.frame(a, b, c)

方法1：基础R原生实现（无需额外依赖） #

如果你不想安装任何第三方包，用基础R的lapply就能搞定，代码简洁且通用：

# 批量生成所有变量的滞后1期数据
lag_columns <- lapply(df, function(col) c(NA, head(col, -1)))
# 给新变量命名为「原变量名.lag1」
names(lag_columns) <- paste0(names(df), ".lag1")
# 合并到原数据框
df <- cbind(df, lag_columns)

这个方法的核心是用lapply遍历数据框的每一列，通过c(NA, head(col, -1))生成滞后1期的序列（第一行补NA，后面取原列除了最后一行的所有值），最后合并回原数据框。

方法2：tidyverse/dplyr风格（直观易读） #

如果你平时用tidyverse生态，dplyr的across()函数能让代码更简洁直观，可读性拉满：

library(dplyr)

df <- df %>%
  mutate(
    # 对所有列执行滞后1期操作，自动命名为「原变量名.lag1」
    across(everything(), lag, .names = "{col}.lag1")
  )

这里across(everything())表示选中数据框的所有列，lag()是dplyr内置的滞后函数（默认滞后1期），.names参数直接指定新变量的命名规则，非常省心。如果需要滞后多期，比如同时生成lag1、lag2，只需要稍微调整：

df <- df %>%
  mutate(
    across(everything(), list(lag1 = lag, lag2 = ~lag(., 2)), .names = "{col}.{fn}")
  )

方法3：data.table实现（大数据场景最优） #

如果你的时间序列数据量特别大（比如数十万行+数十个变量），data.table的性能会比基础R和dplyr更出色，而且语法也很简洁：

library(data.table)

# 把普通数据框转成data.table
setDT(df)
# 批量生成滞后变量并直接添加到原表
df[, paste0(names(df), ".lag1") := lapply(.SD, shift, n = 1)]

data.table的:=操作符可以直接在原数据上修改（避免复制数据），shift()函数专门用来生成滞后/超前序列，n=1指定滞后1期，处理大规模数据时效率极高。

这些方法都能完美实现你的需求——自动生成a.lag1、b.lag1、c.lag1这类变量并添加到原数据框，完全不用手动逐个写代码，你可以根据自己的使用习惯和数据规模选择最合适的方案~

内容的提问来源于stack exchange，提问作者jvalenti