如何使用两个样本t检验计算R中每个特征的p值

我有两个数据框案例和对照，我执行了两个样本t检验，如下所示。但我从特征集（1299个特征/列）中提取特征，所以我想计算每个特征的p值。基于为每个特征生成的p值，我想拒绝或接受零假设

有人能给我解释一下下面的输出是如何解释的，以及如何计算每个特征的p值吗

t.test(New_data_zero,New_data_one)
    Welch Two Sample t-test

data:  New_data_zero_pca and New_data_one_pca
t = -29.086, df = 182840000, p-value < 2.2e-16
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.02499162 -0.02183612
sample estimates:
 mean of x  mean of y 
0.04553462 0.06894849 

t.test（新数据0，新数据1）
韦尔奇双样本t检验
数据：新数据0主成分分析和新数据1主成分分析
t=-29.086，df=182840000，p值<2.2e-16
替代假设：平均值的真实差异不等于0
95%置信区间：
-0.02499162 -0.02183612
样本估计：
x的平均值y的平均值
0.04553462 0.06894849 

看看t测试。x和y应该是向量而不是矩阵。因此，函数会自动将它们转换为向量。假设列是特征，并且两个矩阵具有相同的特征，则要执行的操作是：

pvals=vector()
for (i in seq(ncol(New_data_zero))){
 pvals[i]=t.test(New_data_zero[,i], New_data_one[,i])$p.value
}

---

然后你可以看看pvals（可能是对数尺度）和多重假设检验校正后（请参见？p.adjust）。

让我们也来谈谈这种发现特征差异的方法非常糟糕的想法。即使这些1299特性之间的所有影响实际上都为零，您也会在所有可能的1299双向比较中的0.05中发现*显著的结果，这使得该策略实际上毫无意义。我强烈建议在继续之前先看一看介绍性统计文本，特别是关于家庭类型I错误率的部分