如何用R语言内置函数实现嵌套循环逻辑（以元素求和为例）

现有R语言向量 vec = c(1,2,...,10)，原本通过嵌套for循环实现以下逻辑：遍历向量的每个元素，计算向量中所有大于当前元素的元素之和，最终得到一个与原向量长度相同的新向量。现希望使用R的内置函数实现该逻辑，且方法需适用于更通用场景（如多条件判断），求最优实现方式。

原嵌套循环代码：

vec=c(1,2,3,4,5,6,7,8,9,10)
newvec=c()

for (i in 1:10){
  x=vec[i]
  sum=0
  for (j in 1:10){
    if (vec[j]>x){
      sum=sum+vec[j]
    }
  }
  newvec=c(newvec,sum)
}
newvec

针对需求，推荐以下几种基于R内置函数的实现方式，前两种更适合扩展到多条件场景：

方法1：vapply+自定义函数（最通用） #

vapply是高效的向量化迭代工具，返回固定类型结果，扩展性极强，适合复杂条件判断：

vec <- 1:10

# 自定义判断求和函数，可灵活修改条件
sum_cond <- function(x, vec) {
  # 这里的条件可替换为任意多条件组合，比如 vec > x & vec %% 2 == 0
  sum(vec[vec > x])
}

newvec <- vapply(vec, sum_cond, FUN.VALUE = numeric(1), vec = vec)
newvec

只需修改sum_cond中的判断逻辑，就能快速适配多条件场景，逻辑清晰且易维护。

方法2：sapply简化写法 #

如果不需要严格指定返回类型，sapply是更简洁的选择，本质和vapply一致：

vec <- 1:10
newvec <- sapply(vec, function(x) sum(vec[vec > x]))
# 多条件示例：求大于当前元素且小于8的和
# newvec <- sapply(vec, function(x) sum(vec[vec > x & vec < 8]))
newvec

方法3：向量化矩阵运算（性能最优） #

当向量长度较大时，完全向量化的矩阵运算性能更出色：

vec <- 1:10
# 生成布尔矩阵，每个元素表示对应位置是否满足vec[j] > vec[i]
bool_mat <- outer(vec, vec, FUN = function(a, b) b > a)
# 按行计算符合条件的元素和
newvec <- rowSums(vec * bool_mat)
newvec

这种方式避免了循环，性能最优，但调整条件时需要修改outer的FUN参数，适合对性能要求极高的场景。

内容的提问来源于stack exchange，提问作者user352188