基于矩阵索引R数组：计算指定位置后的变量和与频次

针对你的三维数组计算需求，这里提供高效的向量化处理方法，避免低效循环，适配大尺寸数组场景：

步骤1：保留示例数据 #

你的调试代码可以直接沿用：

set.seed(1)
x1 <- array(round(runif(n = 600, min = 0, max = 300)), c(5,10,12))
x2 <- array(round(runif(n = 600, min = 0, max = 200)), c(5,10,12))
x1.max.pos <- apply(x1, c(1,2), which.max)

步骤2：计算x2对应位置后的总和 #

通过合并维度+向量化操作实现高效计算：

# 将位置矩阵转为一维向量
pos_vec <- as.vector(x1.max.pos)
# 将x2的前两维合并为一维，转为二维矩阵（行=原行列组合，列=时间维度）
x2_2d <- matrix(x2, nrow = dim(x1)[1] * dim(x1)[2], ncol = dim(x1)[3])

# 计算每个行列组合的x2总和
sum_result <- vapply(seq_along(pos_vec), function(k) {
  sum(x2_2d[k, pos_vec[k]:ncol(x2_2d)])
}, numeric(1))
# 转换回原行列维度的矩阵
sum_result <- matrix(sum_result, nrow = dim(x1)[1], ncol = dim(x1)[2])

验证示例：sum_result[1,1]会返回315，sum_result[2,1]返回649，完全匹配你的要求。

步骤3：计算x2对应位置后数值大于0的天数 #

复用相同逻辑修改计算规则即可：

count_result <- vapply(seq_along(pos_vec), function(k) {
  sum(x2_2d[k, pos_vec[k]:ncol(x2_2d)] > 0)
}, numeric(1))
count_result <- matrix(count_result, nrow = dim(x1)[1], ncol = dim(x1)[2])

方法优势 #

• 避开R原生for循环的低效问题，vapply基于C实现，处理1000×800=80万个元素时速度远快于循环。
• 多维转二维的操作简化了索引逻辑，降低了多维数组的索引开销。

内容的提问来源于stack exchange，提问作者juniper