基于阈值的整数差异化抽样：更优实现方法问询

你可以通过分两步抽样的方式来实现需求，避免为每个数值单独指定概率，这种方法更简洁、扩展性更强，尤其适合大区间场景：

方法1：分阶段使用sample() #

先确定每个样本属于「阈值以下区间」还是「阈值以上区间」，再在对应区间内均匀抽取整数：

set.seed(123)
n <- 1000
mmax <- 120
thresh <- 65
probthresh <- 0.77

# 第一步：随机分配样本到两个区间（1=阈值以下，0=阈值以上）
group <- rbinom(n, size = 1, prob = probthresh)

# 第二步：在对应区间内均匀抽样
x <- ifelse(group == 1, 
            sample(1:thresh, n, replace = TRUE),
            sample((thresh + 1):mmax, n, replace = TRUE))

# 验证结果
table(x <= thresh)
# FALSE  TRUE 
#   227   773 

方法2：用runif()直接生成（无需sample()） #

如果不想使用sample()，可以利用均匀分布直接生成符合要求的整数，效率更高：

set.seed(123)
n <- 1000
mmax <- 120
thresh <- 65
probthresh <- 0.77

x <- ifelse(runif(n) < probthresh,
            # 生成1到thresh的整数
            floor(runif(n, min = 1, max = thresh + 1)),
            # 生成thresh+1到mmax的整数
            floor(runif(n, min = thresh + 1, max = mmax + 1)))

table(x <= thresh)
# FALSE  TRUE 
#   227   773 

为什么这种方法更优？ #

• 内存效率高：无需生成长度等于mmax的概率向量，即使mmax是百万级别的大数，也不会占用过多内存
• 逻辑清晰易扩展：如果后续需要扩展到多个区间（比如3个及以上），只需修改分组逻辑（比如用rmultinom()）即可，维护成本低
• 计算更快：向量化操作避免了对每个元素单独设置概率的冗余计算，尤其当n远小于mmax时，性能提升明显

内容的提问来源于stack exchange，提问作者jpsmith