random.choices更适合加权采样，因其原生支持weights/cum_weights参数，实现有放回的按权重抽样；而random.choice仅等概率选一个元素，random.sample不支持权重且为无放回抽样。
random.choices 为什么比 random.choice 更适合加权采样
random.choice 只能等概率选一个元素，而 random.choices 原生支持 weights 或 cum_weights 参数，直接按权重重复抽样（可放回）。它不改变原始数据结构，也不需要手动展开权重数组，避免了内存爆炸风险。
常见错误是误用 random.sample——它只支持无放回抽样且不接受权重，传入 weights 会直接抛出 TypeError: sample() got an unexpected keyword argument 'weights'。
- 必须用
random.choices，不是choice、sample或shuffle - 权重可以是整数、浮点数，但不能含负数或
NaN；全零权重会触发ValueError: sequence too short - 如果权重总和为 0（比如全为 0.0），Python 3.9+ 报
ZeroDivisionError，旧版本行为未定义
weights 和 cum_weights 的区别与选用场景
weights 是每个元素的原始权重，Python 内部自动归一化；cum_weights 是累积权重（例如 [1, 3, 6] 表示前三项的累计和），跳过归一化步骤，性能略高，适合高频调用或权重已预计算的场景。
二者不能同时传入，否则报 TypeError: choices() got multiple values for argument 'weights'（因为 cum_weights 实际是 weights 的别名参数）。
立即学习“Python免费学习笔记（深入）”；
- 日常开发优先用
weights：语义清晰，不易出错，例如random.choices(['A','B','C'], weights=[1,2,7]) - 做蒙特卡洛模拟或实时推荐时，若权重数组不变且调用频繁，可提前算好
cum_weights，例如list(itertools.accumulate([1,2,7])) → [1,3,10] -
cum_weights必须严格递增且长度与数据一致，否则结果不可预测（如越界或静默截断）
如何安全处理动态权重或零权重边界情况
真实业务中权重常来自用户行为计数、模型打分或配置文件，可能含零值、空列表或 NaN。直接传入会中断执行。
建议在调用前做轻量校验，而不是依赖 try/except 捕获——因为很多错误（如空序列）发生在采样前，catch 不到真正的问题源头。
- 检查输入序列是否为空：
if not population: raise ValueError("population must be non-empty") - 过滤掉权重为 0 或 NaN 的项（保留原索引映射需额外处理）：
valid_pairs = [(x,w) for x,w in zip(population, weights) if w and not (isinstance(w, float) and math.isnan(w))] - 避免浮点精度导致的归一化失败：对极小权重（如
1e-15）做阈值截断，或统一转为int后缩放
采样数量 k 超大时的性能与内存注意点
k 很大（如百万级）时，random.choices 返回的是完整 list，不是生成器。内存占用 ≈ k × 平均元素大小，容易 OOM。
如果只是遍历使用，应改用循环调用单次采样，或封装成生成器：
def weighted_choice_gen(population, weights, k):
for _ in range(k):
yield random.choices(population, weights=weights, k=1)[0]
不过要注意：每次调用 random.choices(..., k=1) 都会重做权重归一化，比一次 k=1000000 慢约 2–3 倍。权衡点在于内存 vs CPU。
另一个隐藏坑：k=0 时返回空 list，没问题；但 k 为负数不会报错，而是返回空 list——这和 range(-5) 行为一致，但容易掩盖逻辑错误。
