Python 均匀生成不同整数的随机对 任务： 生成一对随机数（i，j）（顺序无关紧要：（i，j）相当于（j，i）） 该对必须由两个不同的值组成：i！=j 线对必须均匀分布。换句话说，所有可能的对的概率都是相同的 在固定的时间内这样做 第一次尝试

恒定时间是。均匀分布否

x = np.random.randint(low=0, high=10 - 1)
y = np.random.randint(low=x + 1, high=10)

可视化样本（忽略顺序）：

您可以很容易地将

y

限制为大于

x

的效果，这意味着更高的对具有更高的概率（此处不透明度表示密度）

第二次尝试 恒定时间否。均匀分布是

x = np.random.randint(low=0, high=nbr_values)
y = np.random.randint(low=0, high=nbr_values)

while x == y:
  y = np.random.randint(low=0, high=nbr_values)

可视化样本：

PS：这不是家庭作业，我正在试验随机优化技术，使用交换操作生成随机邻居。

这个怎么样

x = np.random.randint(low=0, high=nbr_values)
y = np.random.randint(low=0, high=nbr_values - 1)
if y == x:
    y = nbr_values

x

的值均匀分布在所有可能的值中，

y

的值均匀分布在所有剩余的值中，

x

的当前值作为最大值（也可以是最小值，在这种情况下只需使用

low=1

）

图形近似：

range                 0 - - - - - - - - - - - - - MAX
distribution for x    + + + + + + + + + + + + + + +
random value for x                x
distribution for y    + + + + + +   + + + + + + + +
                                  \-------------->

范围

0..5

1000000对的随机分布

0       33425   33147   33411   33340   33365
33206   0       33537   33568   33679   33317
33307   33284   0       33423   33121   33189
33235   33303   32970   0       33347   33316
33233   33946   33257   33272   0       33504
33517   33203   33394   33221   32963   0

---

如果

y>=x

，我们也可以移动

y

的所有值，而不是用

max

交换

x

，即

如果y>=x:y+=1

，得到相同的分布。这样，通过将当前值与所有以前的值进行比较并相应地向上移动，也可以将上述值概括为两个以上的值。不过，这需要对绘制的值进行排序，因此复杂性稍高，大约为O（k²logk）

对

low

和

high

以及1000000次迭代使用较小的值再次进行测试，结果看起来是正确的

---

或者，你可以用它。我不知道这是如何实现的，但它非常快，即使对于上限的大值和接近最大值的

k

。

我将上面的@tobias_k方法扩展到

k

值

def uni_repl(n, k, s = 1000):
    x = np.empty((k, s), dtype = int)
    for i in range(k):
        x[i] = np.random.randint(low = 0, high = n - k + i + 1, size = s)
    for i in range(1, k):
        x[:i][x[:i] == x[i]] = n - k + i
    return x

测试：

test = np.zeros((5,5,5))

np.add.at(test, list(uni_repl(5, 3)), 1)

test
Out[85]: 
array([[[     0.,      0.,      0.,      0.,      0.],
        [     0.,      0.,  16304.,  16767.,  16622.],
        [     0.,  16418.,      0.,  16631.,  16517.],
        [     0.,  16688.,  16607.,      0.,  16495.],
        [     0.,  16663.,  16544.,  16877.,      0.]],

       [[     0.,      0.,  16736.,  16767.,  16668.],
        [     0.,      0.,      0.,      0.,      0.],
        [ 16862.,      0.,      0.,  16634.,  16632.],
        [ 16791.,      0.,  16689.,      0.,  16557.],
        [ 16566.,      0.,  16843.,  16864.,      0.]],

       [[     0.,  16737.,      0.,  16638.,  16437.],
        [ 16741.,      0.,      0.,  16545.,  16617.],
        [     0.,      0.,      0.,      0.,      0.],
        [ 16804.,  16923.,      0.,      0.,  16598.],
        [ 16756.,  16850.,      0.,  16778.,      0.]],

       [[     0.,  16777.,  16675.,      0.,  16760.],
        [ 16454.,      0.,  16792.,      0.,  16669.],
        [ 16476.,  16709.,      0.,      0.,  16677.],
        [     0.,      0.,      0.,      0.,      0.],
        [ 16680.,  16863.,  16640.,      0.,      0.]],

       [[     0.,  16459.,  16446.,  16756.,      0.],
        [ 16637.,      0.,  16626.,  16756.,      0.],
        [ 16481.,  16773.,      0.,  16762.,      0.],
        [ 16754.,  16531.,  16681.,      0.,      0.],
        [     0.,      0.,      0.,      0.,      0.]]])

与使用

np.argpartition

的方法相比，只要

k<0.4*n

def uni_part(n, k, s = 1000):
    x = np.random.rand(n, s)
    return np.argpartition(x, k, axis = 0)[:k]

%timeit uni_part(100, 40)
100 loops, best of 3: 3.93 ms per loop

%timeit uni_repl(100, 40)
100 loops, best of 3: 3.76 ms per loop

%timeit uni_part(100, 10)
100 loops, best of 3: 3.55 ms per loop

%timeit uni_repl(100, 10)
1000 loops, best of 3: 425 µs per loop

%timeit uni_part(100, 50)
100 loops, best of 3: 4.08 ms per loop

%timeit uni_repl(100, 50)
100 loops, best of 3: 4.89 ms per loop

---

从Numpy 1.7.0开始，您可以使用

np.choice

和

replace=False

：

np.random.choice(10, 2, replace=False)
array([2, 6])

以下是10000个样本的分布情况：

---

在第一个示例中，如果随机选择将边界定义为小于或大于最初拾取的值，则会有恒定的时间。而不是假设它大于。如果在它们相等时再次生成它们会发生什么？考虑到0到9范围，如所公布的数据所示。wlog，假设第一个数字是5。对于第二个数字，我们滚动一个D9，编号为0-8。。。但是我们将

5

（已经选择的数字）映射到

9

。第二个数字是均匀平衡的。我不认为它偏向于最后一项，它实际上是在删除

x

后重建索引列表。@roganjosh是的，对于

x！=y

，

y

保证不会是

9

。

y

成为

9

的概率与任何其他允许值的概率完全相同。我现在看到了，羞愧地低下头：P@PaulPanzer我现在还为我的方法添加了一个泛化，但是你也可以只使用

random.sample

和

范围

…找不到错误（除非k相当大）。@PaulPanzer，是的，我检查了速度，它似乎比

argpartition

快，只要k<.4n

np.random.choice(10, 2, replace=False)
array([2, 6])