如何优化基于累积prob向量的R语言随机抽样算法？

你的代码本质是基于离散概率分布的随机抽样，手动写多层if-else不仅冗余，而且当val或prob长度变化时需要修改代码，扩展性很差。以下两种方案更高效且简洁：

方案1：使用R内置的sample()函数（推荐） #

R的sample()函数原生支持带权重的随机抽样，直接就能实现你的需求，底层是优化后的算法，效率远高于手动判断：

val <- 1:5
prob <- c(1/3, 1/30, 2/15, 7/30, 4/15)
x <- sample(val, size = 1, prob = prob)

这个方法不需要手动计算累积概率，也不用写嵌套判断，代码量极少，而且支持任意长度的val和prob向量。

方案2：用cumsum()+findInterval()实现 #

如果想手动实现核心逻辑（比如学习用途），可以先通过cumsum()计算累积概率，再用findInterval()快速定位u所在的区间，避免多层if-else：

val <- 1:5
prob <- c(1/3, 1/30, 2/15, 7/30, 4/15)
u <- runif(1)
cum_prob <- cumsum(prob)
x <- val[findInterval(u, cum_prob) + 1]

• cumsum(prob)会自动生成累积概率向量：c(1/3, 11/30, 15/30, 22/30, 30/30)
• findInterval(u, cum_prob)返回u落在累积概率区间的索引（从0开始），加1后正好对应val的位置

这两种方案都比你的原始代码更高效，尤其是当val和prob的长度增加时，优势会更明显。

内容的提问来源于stack exchange，提问作者Miron Alexandra