NumPy random.choice() 函数详解

在数据分析、模拟实验和机器学习中，随机采样 是一个非常常见的操作。
NumPy 提供的 numpy.random.choice() 函数让我们可以方便地从数组或序列中随机选取元素。

本文将深入介绍 numpy.random.choice() 的功能、参数、注意事项以及常见实战案例。

---

---

一、函数简介

numpy.random.choice() 用于从给定的一维数组中随机抽取元素，
并可以选择是否允许重复（有放回或无放回抽样）。

函数原型如下：

numpy.random.choice(a, size=None, replace=True, p=None)

官方文档介绍地址numpy.random.choice

---

二、参数详解

参数	说明	默认值
a	如果是整数 n，则表示从 [0, 1, 2, ..., n-1]中抽取；如果是数组，则表示从该数组中抽取。	必填
size	抽取的样本数量。可以是整数或元组，用于生成多维结果。	None（即返回单个值）
replace	是否允许重复抽取。True表示有放回抽样，False表示无放回抽样。	True
p	每个元素被抽取的概率（权重）。长度必须与 a相同，且和为 1。	None（即平均概率）

---

三、基础用法示例

示例 1：从整数范围中随机选取

import numpy as np# 从 0~9 中随机选择一个数字
num = np.random.choice(10)
print(num)

输出结果示例：

7

说明：
这里 a=10 表示选择范围 [0, 1, 2, ..., 9]。

---

示例 2：从列表中随机抽样

fruits = ['apple', 'banana', 'cherry', 'orange']
sample = np.random.choice(fruits)
print(sample)

输出示例：

banana

---

示例 3：一次抽取多个样本

numbers = np.arange(10)
sample = np.random.choice(numbers, size=5)
print(sample)

输出示例（每次结果不同）：

[8 8 0 4 7]

这里8出现两次是因为默认有放回抽样。

---

示例 4：无放回抽样（不重复）

sample = np.random.choice(numbers, size=5, replace=False)
print(sample)

输出：

[4 2 9 7 6]

✅ 小技巧：当 replace=False 时，size 不能大于 a 的长度，否则会报错。

---

四、加权抽样（设置概率分布）

默认情况下，每个元素被抽取的概率是均匀的。
如果你希望某些元素被抽到的概率更高，可以使用参数 p。

示例 5：指定抽样概率

items = ['A', 'B', 'C']
prob = [0.7, 0.2, 0.1]  # 概率总和必须为 1
samples = np.random.choice(items, size=10, p=prob)
print(samples)

可能输出：

['A' 'A' 'B' 'A' 'C' 'A' 'A' 'B' 'A' 'A']

💡 实际中常用于模拟随机事件或构建概率分布模型。

---

五、生成多维随机数组

size 参数可以指定为一个元组，用于生成多维结果。

示例 6：生成二维随机数组

result = np.random.choice(5, size=(2, 3))
print(result)

输出示例：

[[2 1 4][3 0 1]]

这在深度学习、图像随机采样或批量数据构造中非常有用。

---

六、注意事项与常见错误

❌ 1. 概率和不为 1

np.random.choice([1, 2, 3], p=[0.5, 0.5, 0.2])
# ValueError: probabilities do not sum to 1

必须保证：

sum(p) == 1

---

❌ 2. 无放回抽样数量超限

np.random.choice(5, size=10, replace=False)
# ValueError: Cannot take a larger sample than population when 'replace=False'

解决方案：要么允许重复（replace=True），要么减小 size。

---

❌ 3. 非一维数组抽样

a 必须是一维数组，若是多维数组则需先展平：

matrix = np.arange(9).reshape(3, 3)
choice = np.random.choice(matrix.flatten(), size=4)
print(choice)

---

七、实战案例

案例 1：模拟掷骰子

dice = [1, 2, 3, 4, 5, 6]
rolls = np.random.choice(dice, size=10, replace=True)
print("掷骰结果：", rolls)

---

案例 2：随机抽取样本用于验证集

data = np.arange(100)
test_idx = np.random.choice(data, size=20, replace=False)
print("测试集索引：", test_idx)

---

案例 3：加权随机推荐系统

users = ["新用户", "普通用户", "VIP用户"]
weights = [0.6, 0.3, 0.1]  # 新用户更容易被推荐
recommend = np.random.choice(users, size=5, p=weights)
print("推荐结果：", recommend)

---

八、与其他随机函数的对比

函数	功能	是否支持权重	示例
np.random.choice()	从数组随机选取	✅ 是	离散抽样
np.random.randin()	生成随机整数	❌ 否	均匀分布
np.random.rand()	生成 0~1 之间的浮点数	❌ 否	连续分布
np.random.randn()	生成服从正态分布的浮点数	❌ 否	高斯分布