對(duì)比

python中random.sample()方法可以隨機(jī)地從指定列表中提取出N個(gè)不同的元素，列表的維數(shù)沒有限制。

有文章指出：在實(shí)踐中發(fā)現(xiàn)，當(dāng)N的值比較大的時(shí)候，該方法執(zhí)行速度很慢。

可以用numpy random模塊中的choice方法來提升隨機(jī)提取的效率。

（有問題，從該文章看不出來random.sample方法比choice方法慢多少，我自己仿真倒是發(fā)現(xiàn)random.sample方法比choice方法快的多，后面會(huì)舉例說明）

numpy.random.choice() 對(duì)抽樣對(duì)象有要求，必須是整數(shù)或者一維數(shù)組（列表），不能對(duì)超過一維的數(shù)據(jù)進(jìn)行抽樣，這是其缺點(diǎn)。

random.sample() 和 numpy.random.choice() 的優(yōu)點(diǎn)都是可以指定抽樣的個(gè)數(shù)，一次性從列表中不重復(fù)地抽樣出指定個(gè)數(shù)的元素，其中 random.sample()默認(rèn)就是不重復(fù)抽樣（不放回的抽樣），而numpy.random.choice()默認(rèn)是可以重復(fù)抽樣，要想不重復(fù)地抽樣，需要設(shè)置replace參數(shù)為False，用法如下：

補(bǔ)充

前面說random.sample方法比choice方法快的多，下面附圖為證。

更新

有博友留言說，numpy.random.choice()與 random.sample() 兩者適合的情況不同，建議增加抽樣數(shù)量再試試，下面是逐步增加抽樣數(shù)量后的結(jié)果。

列表元素為100000個(gè)，抽樣個(gè)數(shù)為9。

抽樣個(gè)數(shù)為1000。

抽樣個(gè)數(shù)為10000。

抽樣個(gè)數(shù)為50000。

從以上實(shí)驗(yàn)來看，numpy.random.choice()抽樣方法的時(shí)間幾乎不會(huì)隨著抽樣數(shù)量的變化而變化，而random.sample() 會(huì)隨著抽樣數(shù)量的增加而增加。

所以當(dāng)數(shù)量較少的時(shí)候，random.sample() 用時(shí)非常少，而numpy.random.choice()則很長(zhǎng)；當(dāng)抽樣數(shù)量很大的時(shí)候，numpy.random.choice()幾乎不變，而random.sample() 用時(shí)變長(zhǎng)。

簡(jiǎn)單繪制一下測(cè)試結(jié)果，如下所示

從圖上可以看到，numpy.random.choice()的用時(shí)確實(shí)保持不變，而random.sample() 用時(shí)會(huì)隨著抽樣比例的增加而線性增長(zhǎng)。

總結(jié)

從對(duì)象類型上看，random.sample方法比numpy.random.choice方法適用范圍廣。

從速度上看，當(dāng)抽樣數(shù)量小的時(shí)候，random.sample方法比numpy.random.choice方法快很多；當(dāng)抽樣數(shù)量很大的時(shí)候，random.sample方法就不如numpy.random.choice方法了。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。