我正在 NumPy 中编写一些建模例程，这些例程需要从 NumPy 数组中随机选择单元格并对它们进行一些处理。必须选择所有单元格而不进行替换（例如，一旦选择了一个单元格，就不能再次选择它，但必须在最后选择所有单元格）。
我正在从 IDL 过渡，在那里我可以找到一个很好的方法来做到这一点，但我认为 NumPy 也有一个很好的方法来做到这一点。你有什么建议？
更新：我应该声明我正在尝试在 2D 数组上执行此操作，因此会返回一组 2D 索引。
【问题讨论】：
标签： python random numpy shuffle sampling
如果您仍然需要原始数组，如何使用numpy.random.shuffle 或numpy.random.permutation？
如果您需要就地更改数组，则可以像这样创建索引数组：
your_array = <some numpy array>
index_array = numpy.arange(your_array.size)
numpy.random.shuffle(index_array)
print your_array[index_array[:10]]
【讨论】：
numpy.random.shuffle 应该在 n 维数组上完美运行。如果您想要索引，您可以尝试制作行和列索引数组（查看meshgrid），然后将它们改组。
reshape() 得到 2D 而不是 1D :)
所有这些答案对我来说似乎有点令人费解。
我假设您有一个多维数组，您希望从中生成详尽的索引列表。您希望这些索引被打乱，这样您就可以以随机顺序访问每个数组元素。
以下代码将以简单直接的方式执行此操作：
#!/usr/bin/python
import numpy as np
#Define a two-dimensional array
#Use any number of dimensions, and dimensions of any size
d=numpy.zeros(30).reshape((5,6))
#Get a list of indices for an array of this shape
indices=list(np.ndindex(d.shape))
#Shuffle the indices in-place
np.random.shuffle(indices)
#Access array elements using the indices to do cool stuff
for i in indices:
d[i]=5
print d
打印d 验证所有元素都已被访问。
请注意，数组可以有任意数量的维度，并且维度可以是任意大小。
这种方法的唯一缺点是如果d 很大，那么indices 可能会变得相当大。因此，最好有一个生成器。可悲的是，我想不出如何随便构建一个洗牌的迭代器。
【讨论】：
扩展来自@WoLpH的好答案
对于 2D 数组，我认为这取决于您想要或需要了解的有关索引的内容。
你可以这样做：
data = np.arange(25).reshape((5,5))
x, y = np.where( a = a)
idx = zip(x,y)
np.random.shuffle(idx)
或
data = np.arange(25).reshape((5,5))
grid = np.indices(data.shape)
idx = zip( grid[0].ravel(), grid[1].ravel() )
np.random.shuffle(idx)
然后，您可以使用列表 idx 根据需要迭代随机排序的 2D 数组索引，并从保持不变的 data 中获取该索引处的值。
注意：您也可以通过itertools.product 生成随机排序的索引，以防您更熟悉这套工具。
【讨论】：
a 是什么？此外，表达式 a=a 的计算结果为 True，这不是您从 numpy where 调用中想要的（numpy.where 接受一个掩码数组）。你的意思是像x,y = np.where(data == data)这样的东西吗？
使用random.sample 生成 0 .. A.size 的整数，没有重复，
然后将它们拆分为索引对：
import random
import numpy as np
def randint2_nodup( nsample, A ):
""" uniform int pairs, no dups:
r = randint2_nodup( nsample, A )
A[r]
for jk in zip(*r):
... A[jk]
"""
assert A.ndim == 2
sample = np.array( random.sample( xrange( A.size ), nsample )) # nodup ints
return sample // A.shape[1], sample % A.shape[1] # pairs
if __name__ == "__main__":
import sys
nsample = 8
ncol = 5
exec "\n".join( sys.argv[1:] ) # run this.py N= ...
A = np.arange( 0, 2*ncol ).reshape((2,ncol))
r = randint2_nodup( nsample, A )
print "r:", r
print "A[r]:", A[r]
for jk in zip(*r):
print jk, A[jk]
【讨论】：
假设您有一个大小为 8x3 的数据点数组
data = np.arange(50,74).reshape(8,-1)
如果你真的想像你说的那样对所有索引进行采样，那么我能想到的最紧凑的方法是：
#generate a permutation of data's size, coerced to data's shape
idxs = divmod(np.random.permutation(data.size),data.shape[1])
#iterate over it
for x,y in zip(*idxs):
#do something to data[x,y] here
pass
不过，通常情况下，人们通常不需要将二维数组作为二维数组来访问，以简单地对它们进行洗牌，在这种情况下，可以更紧凑。只需在数组上创建一个 1d 视图并为自己节省一些索引争论。
flat_data = data.ravel()
flat_idxs = np.random.permutation(flat_data.size)
for i in flat_idxs:
#do something to flat_data[i] here
pass
这仍然会根据您的需要置换二维“原始”数组。要查看此内容，请尝试：
flat_data[12] = 1000000
print data[4,0]
#returns 1000000
【讨论】：
使用 numpy 1.7 或更高版本的人也可以使用内置函数numpy.random.choice
【讨论】：