在Python中从数组中高效地抽取随机样本而无需替换

Question

我需要从 1D NumPy 数组中抽取随机样本而不进行替换。然而，性能至关重要，因为此操作将重复多次。

这是我当前使用的代码：

import numpy as np

# Example array
array = np.array([10, 20, 30, 40, 50])

# Number of samples to draw
num_samples = 3

# Draw samples without replacement
samples = np.random.choice(array, size=num_samples, replace=False)

print("Samples:", samples)

虽然这适用于一个样本，但它需要一个循环来生成多个样本，我相信可能有一种方法可以优化或矢量化此操作，以提高多次采样时的性能。

• 有没有办法矢量化或以其他方式优化此操作？
• 另一个库（例如 TensorFlow、PyTorch）是否可以提供更好的 这项任务的表现？
• 是否有批量采样的具体技术可以避免循环 蟒蛇？

Answer 1

The sample() is an inbuilt method of the random module which takes the sequence and number of selections as arguments and returns a particular length list of items chosen from the sequence i.e. list, tuple, string or set.
# importing the required module
import random
 
# list of items
List = [10, 20, 30, 40, 50, 40,
        30, 20, 10]
 
# using the sample() method
UpdatedList = random.sample(List, 3)
 
# displaying random selections from 
# the list without repetition
print(List)