R语言创建可变阈值计数表 优化for循环提升处理效率

• 输入为名为data的数据框，包含id、quantity两列，示例数据中id取值为01-05，对应quantity值分别为5、3、7、4、9
• 需求为统计每个阈值下quantity小于等于阈值的id数量，输出名为results的数据框，包含threshold（阈值）、count（计数）两列。以阈值1-10为例，对应计数应为0、0、1、2、3、3、4、4、5、5
• 原有for循环实现可正常运行，但面对500个阈值、12次同类统计的业务场景时运行耗时过长；自行编写的向量化代码触发「longer object length is not a multiple of shorter object length」报错，需要高性能的替代实现。

原有可运行但低效的for循环代码：

for(i in 1:10) {
  results$count[i] <- nrow(data[data$quantity <= i,])
}

报错的错误向量化代码：

results$count <- nrow(data[data$quantity <= results$threshold,])

代码报错的核心是向量长度不匹配：data$quantity的长度为data的总行数，results$threshold的长度为阈值的总个数，两者做<=比较时，R会自动循环长度更短的向量做对齐，当两个长度不是整数倍关系时就会抛出该警告；同时后续子集筛选、行数统计的逻辑完全不匹配需求，无法得到正确结果。

以下两种方案均为底层优化的向量化实现，性能远高于R层面的for循环，面对500个阈值的场景可毫秒级返回结果：

方案1：findInterval实现（性能最优） #

findInterval是R原生的C级向量化区间统计函数，无R层面的循环开销，性能最高：

# 先对quantity列排序，为区间统计做准备
sorted_quantity <- sort(data$quantity)
# 直接计算每个阈值对应的符合条件的记录数
results$count <- findInterval(results$threshold, sorted_quantity, left.open = FALSE)

用示例数据验证：排序后的quantity为3、4、5、7、9，传入阈值1-10时返回结果正好是0、0、1、2、3、3、4、4、5、5，和预期完全一致。

方案2：outer+rowSums实现（逻辑直观） #

如果需要更易读的逻辑，可以用outer生成阈值和quantity的比较矩阵，再按行求和得到计数，逻辑透明易调试：

# 生成布尔矩阵：行对应每个阈值，列对应data中的每条记录，值为TRUE代表该记录quantity<=对应阈值
compare_matrix <- outer(results$threshold, data$quantity, `<=`)
# 按行求和，得到每个阈值下符合条件的记录总数
results$count <- rowSums(compare_matrix)

• 不建议用apply、sapply等apply家族函数替换for循环，这类函数本质还是在R层面做逐元素遍历，性能提升非常有限
• 如果quantity列存在缺失值NA，统计前需要先过滤NA，避免结果出现异常NA值

内容的提问来源于stack exchange，提问作者mathiasr