R语言：尝试用apply函数替代for循环优化代码未果求助

我明白你想替换嵌套for循环来优化这段代码的需求——嵌套循环加上不断用append()扩展向量确实在R里效率不高，尤其是当矩阵规模变大的时候。先拆解一下原代码的核心逻辑，再一步步用向量化操作或者apply系列函数来重构：

原代码逻辑回顾 #

你的代码做了这些事：

1. 创建一个6×2的矩阵A
2. 遍历所有i ≤ j的行配对（从(i,i)到(i,n)，i从1到6）
3. 对每对行比较两个元素，根据差异情况返回对应标签或1
4. 将结果填充到矩阵B的下三角（含对角线），再转置得到对称矩阵

你之前尝试sapply没成功，大概率是没处理好配对的生成顺序，或者没有对应到矩阵的填充位置。下面是两种更高效的实现方式：

方法1：用outer()实现全矩阵向量化比较 #

首先定义一个用于比较两行的函数，然后用outer()生成所有行配对的结果：

# 定义行比较函数
compare_rows <- function(row_x, row_y) {
  if (row_x[1] != row_y[1] && row_x[2] != row_y[2]) {
    "2 diff"
  } else if (row_x[1] != row_y[1] && row_x[2] == row_y[2]) {
    "diff gauche"
  } else if (row_x[1] == row_y[1] && row_x[2] != row_y[2]) {
    "diff droite"
  } else {
    1
  }
}

# 初始化矩阵A
A <- matrix(c(1,0,1,1,1,0,0,1,0,1,0,0), nrow=6, ncol=2)
n <- nrow(A)

# 用outer生成所有行配对的比较结果
B <- outer(1:n, 1:n, function(i, j) compare_rows(A[i, ], A[j, ]))

为什么这能替代循环？

• outer()会自动遍历所有i和j的组合，不需要手动写嵌套循环
• 你的比较逻辑是对称的（比较行i和行j，与行j和行i的结果完全一致），所以生成的B本身就是对称矩阵，和原代码转置后的结果完全相同

方法2：用mapply()处理指定配对（更贴近原循环的配对逻辑） #

如果你只想处理原循环中i ≤ j的配对（避免重复计算），可以用expand.grid()生成配对，再用mapply()批量处理：

A <- matrix(c(1,0,1,1,1,0,0,1,0,1,0,0), nrow=6, ncol=2)
n <- nrow(A)

# 生成所有i ≤ j的行配对
pairs <- expand.grid(i = 1:n, j = 1:n) |> subset(i <= j)

# 批量处理每一对行的比较
corr_vec <- mapply(function(i, j) compare_rows(A[i, ], A[j, ]), pairs$i, pairs$j)

# 初始化矩阵并填充上三角（含对角线）
B <- matrix(NA, nrow = n, ncol = n)
B[upper.tri(B, diag = TRUE)] <- corr_vec

# 利用对称性填充下三角
B[lower.tri(B)] <- t(B)[lower.tri(B)]

为什么之前的sapply没成功？

sapply()通常用于处理单个向量的元素，而你的需求是处理成对的索引，所以需要用mapply()（多输入的apply）来同时处理i和j两个向量。如果直接用sapply()遍历单个索引，很难对应到原循环中的配对逻辑。

效率对比 #

原代码中用append()在循环里不断扩展向量，每次append()都会重新分配内存，当矩阵行数增加时，效率会急剧下降。上面两种方法都是预分配空间或向量化操作，效率会高很多。你可以用microbenchmark包测试一下，比如当矩阵是100×2时，优化后的代码速度会是原循环的几十倍甚至上百倍。

内容的提问来源于stack exchange，提问作者momo96