### 已知概率的简单随机抽样实现 在 Python 中，可以使用 `numpy` 或 `random.choices()` 方法来实现基于已知中奖概率的简单随机抽样。以下是具体实现方式： #### 使用 `random.choices()` `random.choices()` 是 Python 的标准库函数之一，支持带权重的选择操作。它允许指定每个选项对应的概率或权重。 ```python import random def weighted_random_sampling(items, probabilities, k=1): """ 基于给定概率进行加权随机抽样 参数: items (list): 待选项目列表 probabilities (list): 对应项目的概率列表 k (int): 需要抽取的样本数量 返回: list: 抽取的结果列表 """ if abs(sum(probabilities) - 1.0) > 1e-9: raise ValueError("概率总和必须为1") # 确保概率总和接近1 return random.choices(items, weights=probabilities, k=k) # 示例数据 items = ["一等奖", "二等奖", "三等奖", "未中奖"] probabilities = [0.05, 0.1, 0.2, 0.65] # 进行抽样 result = weighted_random_sampling(items, probabilities, k=10) print(result) ``` 此代码实现了基于已知概率的简单随机抽样功能[^1]。通过调用 `weighted_random_sampling` 函数并传入待选项目及其对应概率，即可完成多次抽样。 --- #### 使用 `numpy.random.choice()` 另一种方法是借助 NumPy 库中的 `numpy.random.choice()` 函数。该函数同样支持带权重的随机选择，并且性能更优。 ```python import numpy as np def weighted_random_sampling_numpy(items, probabilities, k=1): """ 基于 NumPy 实现的加权随机抽样 参数: items (list): 待选项目列表 probabilities (list): 对应项目的概率列表 k (int): 需要抽取的样本数量 返回: ndarray: 抽取的结果数组 """ if abs(sum(probabilities) - 1.0) > 1e-9: raise ValueError("概率总和必须为1") # 确保概率总和接近1 return np.random.choice(items, size=k, replace=True, p=probabilities) # 示例数据 items = ["一等奖", "二等奖", "三等奖", "未中奖"] probabilities = [0.05, 0.1, 0.2, 0.65] # 进行抽样 result = weighted_random_sampling_numpy(items, probabilities, k=10) print(result) ``` 这段代码展示了如何利用 NumPy 来高效地执行带有概率约束的随机抽样[^3]。相比纯 Python 实现，NumPy 提供了更高的运行效率以及更好的数值稳定性。 --- #### 注意事项 1. **概率校验**：无论是哪种方法，在实际应用前都需要验证输入的概率列表是否满足条件（即所有概率值均为非负数且其总和严格等于1）。如果不符，则需调整原始数据或将各分量归一化处理。 2. **重复性控制**：当设置参数 `replace=False` 时，意味着不允许同一个元素被多次选取；而默认情况下 (`replace=True`) 则允许多次选取同一项[^4]。 3. **适用场景**：对于大规模数据分析或者模拟实验而言，采用向量化运算工具如 NumPy 更具优势；而对于小型脚本开发来说，内置模块可能更加轻便快捷[^5]。 ---