python 范围内随机数_Python：在保持最小距离的范围内的随机数字列表

排序案例的单行解决方案

这里有一个简单的一行程序，它以相等的可能性产生所有的可能性：[9*i + x for i, x in enumerate(sorted(random.sample(range(13), 4)))]

一些示例输出：

^{pr2}$

输出总是按排序顺序生成的；如果这不是您想要的，您可以很容易地向结果中添加一个shuffle(或参见下面的一般解决方案)。在

说明：如果[a, b, c, d]是一个满足您要求的有序列表，那么[a, b-9, c-18, d-27]是{}中长度为4的有序样本，反之亦然。因此，您只需从range(13)生成样本，对它们进行排序，然后重新添加9的必要倍数，以获得至少相距10的值。在

一般非排序解

这是一个不需要对随机样本进行排序的通用解决方案。相反，我们计算样本元素的秩，并使用这些元素来计算必要的偏移量。在import random

def ranks(sample):

"""

Return the ranks of each element in an integer sample.

"""

indices = sorted(range(len(sample)), key=lambda i: sample[i])

return sorted(indices, key=lambda i: indices[i])

def sample_with_minimum_distance(n=40, k=4, d=10):

"""

Sample of k elements from range(n), with a minimum distance d.

"""

sample = random.sample(range(n-(k-1)*(d-1)), k)

return [s + (d-1)*r for s, r in zip(sample, ranks(sample))]

以及一些示例输出：>>> sample_with_minimum_distance()

[17, 27, 3, 38]

>>> sample_with_minimum_distance()

[27, 38, 10, 0]

>>> sample_with_minimum_distance()

[36, 13, 1, 24]

>>> sample_with_minimum_distance()

[1, 25, 15, 39]

>>> sample_with_minimum_distance()

[26, 12, 1, 38]

“廉价伎俩”解决方案

如果原始问题中的各种常量是固定不变的(总体range(40)，样本长度为4，最小距离为10)，那么有一个明显的廉价窍门：只有715可能的不同排序样本，所以只要预先创建一个包含所有这些样本的列表，然后每次需要生成样本，使用random.choice从预先创建的列表中选择一个。在

对于这一代人来说，我们要么采用一种效率极低但显然正确的暴力解决方案：>>> import itertools

>>> all_samples = [ # inefficient brute-force solution

... sample for sample in itertools.product(range(40), repeat=4)

... if all(x - y >= 10 for x, y in zip(sample[1:], sample))

... ]

>>> len(all_samples)

715

这仍然足够快，在我的机器上只需要几秒钟。或者，我们可以使用上面提到的同一个双射来做一些更精细和直接的事情。在>>> all_samples = [

... [9*i + s for i, s in enumerate(sample)]

... for sample in itertools.combinations(range(13), 4)

... ]

>>> len(all_samples)

715

不管怎样，我们只生成一次样本列表，然后在每次需要时使用random.choice来选取一个：>>> random.choice(all_samples)

(1, 11, 21, 38)

>>> random.choice(all_samples)

(0, 10, 23, 33)

当然，这个解决方案不能很好地伸缩：对于最小距离为5的range(100)中的7个样本，可能有超过20亿个不同的排序样本。在

均匀性证明

我在前面说过，一个线性函数以相等的可能性产生所有的可能性(当然，假设一个完美的随机数来源，但是Python的Mersenne Twister足够好，我们不太可能在下面的测试中检测到由核心生成器产生的统计异常)。这就是这种一致性的证明。在

首先，为了方便起见，我们将把一行程序包装在函数中。我们还将其更改为返回tuple，而不是list，因为下一步我们需要一些散列的东西。在>>> def sorted_sample():

... return tuple(9*i + x for i, x in

... enumerate(sorted(random.sample(range(13), 4))))

现在，我们生成1000万个样本(这需要几分钟)，并计算每个样本发生的频率：>>> from collections import Counter

>>> samples = Counter(sorted_sample() for _ in range(10**7))

一些快速检查：>>> len(samples)

715

>>> 10**7 / 715

13986.013986013986

>>> samples[0, 10, 20, 30]

14329

>>> samples[0, 11, 22, 33]

13995

>>> min(samples.values())

13624

>>> max(samples.values())

14329

我们收集了715个不同的组合，一点数学知识告诉我们，这正是我们期望的数字(13选4)，因此在均匀分布的情况下，我们预计每个组合大约发生10**7 / 715次，或大约14000次。我们上面检查的两个组合都在14000左右，最小和最大计数也出现了，但并不奇怪，有一些随机变化。在

这种随机变化在可接受的范围内吗？{15}我们可以用cd15来做测试。我们的零假设是我们从中提取的总体是一致的：即我们的代码以相等的似然生成每个可能的样本。在>>> from scipy.stats import chisquare

>>> chisquare(list(samples.values()))

Power_divergenceResult(statistic=724.682234, pvalue=0.3825060783237031)

我们得到的p值小于0.01，因此我们无法拒绝无效假设：即，我们没有非均匀性的证据。在