你没有提供一个工作示例，所以我不能测试它，但我认为这就是你想要的：

# Use apply to efficiently loop over the columns.
# Just supply the loop with the columns you are interested in.
lagged.columns = apply(df[, c(4:8, 11:13)], 2, lag, 50L)

如果您想将滞后列添加到原始data.frame中，只需使用cbind即可。

df = cbind(df, lagged.columns)

dplyr提供了一种非常简单的方法来完成此任务

library(dplyr)
new_df <- df |>
  mutate( 
    across(c(col4:col8, col11:col15), # replace with the names of your actual columns
      list(
        l1 = ~lag(.x, 50L)
      )
  )

具体回答你的两个问题：
across函数需要两个参数。（1）第一个是要应用函数的列名向量。在这里，我将它们指定为col4:col8和col11:col13，但是您需要用实际的列名来替换它们。
(2)第二个是函数或函数列表。在这里，我们使用一个大小为1的列表来指定需要创建新变量而不是覆盖原始变量。默认情况下（我们在这里很幸运），它使用格式"{.col}_{.fn}"，其中.col是列名，.fn是函数名，所以通过命名函数l1，您可以得到您想要的。如果你想做其他事情，你可以给across添加另一个参数：.name，在这里指定如何将列名和函数名包含到新变量名中（例如.name = "{.fn}_{.col}"将给予相反的顺序）。
如果您不熟悉管道操作符（|>），则等效的表示为

library(dplyr)
new_df <- mutate(df, 
    across(c(col4:col8, col11:col15), # replace with the names of your actual columns
      list(
        l1 = ~lag(.x, 50L)
      )
  )