给定具有N实数的数字向量，采样k值的最快方法是什么，以便更高的值更有可能被选中？
prob(X) > prob(Y) when X > Y (Linearly)
当所有条目都是正数时，sample()这很容易，只需使用prob arg：
N = 1000
k = 600
x = runif(N, 0, 10)
results = sample(x, k, replace = TRUE, prob = x)
但它在我的情况下不起作用，因为某些值可能是负面的。我不能放弃或忽略负值，这就是问题所在。
那么，最快（代码速度）的方式是什么？显然我知道如何解决这个问题，问题是代码速度 - 一种方法应该比其他方法慢：
1 - Normalize the x vector (a call to `range()` would be necessary + division)
2 - Sum max(x) to x (a call to `max()` then sum)
感谢。
答案 0 :(得分：4)
一些评论。首先，它仍然不是很清楚你想要什么。显然，您希望以更高的概率选择更大的数字，但有很多方法可以做到这一点。例如，rank(x)或x-min(x)将生成一个非负权重向量，在x中是单调的。
另一点，您不需要对权重进行标准化，因为sample会为您执行此操作，前提是权重为非负数：
> set.seed(1)
> sample(1:10,prob=1:10)
[1] 9 8 6 2 10 3 1 5 7 4
> set.seed(1)
> sample(1:10,prob=(1:10)/sum(1:10))
[1] 9 8 6 2 10 3 1 5 7 4
开启编辑：OP现在要求输入向量中的“线性”加权函数。从技术上讲，这是不可能的，因为线性函数的形式为f（X）= cX，因此如果向量x包含正值和负值，则x的任何线性函数也将包含正值和负值，除非c = 0，在这种情况下，它仍然没有给出有效的概率权重向量。
我认为“线性”的意思只是x-min(x)。这不是线性函数，而是affine function。此外，即使你已经指定你希望P（X）作为X的仿射函数变化，仍然不会唯一地确定概率权重，因为存在无限数量的可能产生有效权重的仿射函数（例如x-min(x)+1等）
在任何情况下，假设x-min(x)是您想要的，现在的问题是，在R中计算x-min(x)的最快方法是什么。我很确定答案只是{ {1}}。
最后，对于你的示例中任何地方附近的常数，尝试优化权重的计算没有多大意义，因为无论如何随机抽样需要更长的时间。例如：
x-min(x)