如何优化从矩阵统计频次的R代码？兼顾可读性与运行速度

这段代码核心是按给定概率模拟1000次26人选秀，统计每个球员在各顺位被选中的次数，下面是优化后的实现：

优化后代码（tidyverse风格） #

library(tidyverse)

# 模拟参数（语义化命名，方便后续调整）
num_players <- 26
num_simulations <- 1000
player_names <- letters

# 生成并归一化球员选秀概率
player_probs <- rbeta(num_players, 10, 20)
player_probs <- player_probs / sum(player_probs)

# 执行选秀模拟：行=选秀顺位，列=模拟次数，每个值是选中的球员编号
draft_simulations <- replicate(
  n = num_simulations,
  expr = sample(1:num_players, num_players, replace = FALSE, prob = player_probs)
) %>% 
  matrix(nrow = num_players, ncol = num_simulations)

# 高效统计各球员在各顺位的出现次数
draft_counts <- table(
  Draft_Pick = rep(1:num_players, num_simulations),
  Player_ID = as.vector(draft_simulations)
) %>% 
  as_tibble() %>% 
  pivot_wider(names_from = Draft_Pick, values_from = n, values_fill = 0) %>% 
  mutate(Skater = player_names[Player_ID]) %>% 
  select(Skater, everything(), -Player_ID)

优化细节 #

可读性提升 #

• 变量语义化：把random_probs改为player_probs，新增num_players、num_simulations参数变量，参数含义一目了然，后续调整模拟规模更便捷
• 逻辑模块化：将参数配置、概率生成、模拟执行、统计整理拆分为独立区块，逻辑线条清晰
• 注释辅助：关键步骤添加注释，明确每部分作用

运行速度提升 #

• 替换循环统计：原代码用map循环26次，每次生成26×1000的逻辑矩阵再求和，效率极低。优化后用table()一次性统计所有顺位-球员的组合频数，大幅减少重复计算
• 减少冗余转换：去掉原代码中do.call(rbind, list_sims)这类冗余的数组拼接操作，直接用pivot_wider完成宽表转换，降低数据转换开销

纯Base R替代方案（无tidyverse依赖） #

如果不需要tidyverse语法风格，用纯Base R实现速度会更快：

# 配置参数
num_players <- 26
num_simulations <- 1000
player_names <- letters

# 生成并归一化概率
player_probs <- rbeta(num_players, 10, 20)
player_probs <- player_probs / sum(player_probs)

# 执行选秀模拟
draft_simulations <- replicate(
  num_simulations,
  sample(1:num_players, num_players, replace = FALSE, prob = player_probs)
)

# 统计并整理结果
draft_counts <- table(row(draft_simulations), draft_simulations)
draft_counts <- as.data.frame.matrix(draft_counts)
colnames(draft_counts) <- paste0("Pick_", 1:num_players)
draft_counts$Skater <- player_names
draft_counts <- draft_counts[, c("Skater", paste0("Pick_", 1:num_players))]

内容的提问来源于stack exchange，提问作者spazznolo