在 Python 中，如果你希望**对指定范围内的数据进行抽样（sampling）**，可以使用 Python 标准库中的 `random` 模块或 `numpy` 库，具体取决于你的需求。以下是详细的解决方案和使用场景。 --- ## ✅ 1. 使用 `random.sample()` 对指定范围内的整数进行抽样（无放回） ```python import random # 从 1 到 100 的整数中随机抽取 10 个不重复的数 sample = random.sample(range(1, 101), 10) print(sample) ``` ### ✅ 说明： - `random.sample(population, k)`：从总体 `population` 中随机抽取 `k` 个**不重复**的元素。 - `range(1, 101)`：表示 1 到 100 的整数范围。 - **适用于整数范围较小的情况**。 --- ## ✅ 2. 使用 `random.choices()` 进行有放回的抽样（允许重复） ```python import random # 从 1 到 100 的整数中随机抽取 10 个可能重复的数 sample = random.choices(range(1, 101), k=10) print(sample) ``` ### ✅ 说明： - `random.choices(population, k)`：从总体中**有放回**地抽取 `k` 个元素（允许重复）。 - 更适合需要允许重复值的场景。 --- ## ✅ 3. 使用 `numpy.random.choice()` 抽样（支持浮点数、支持权重） ```python import numpy as np # 从 0 到 10 的浮点数范围内抽样 5 个数字（可设置是否放回） sample = np.random.choice(np.linspace(0, 10, 100), size=5, replace=False) print(sample) ``` ### ✅ 说明： - `np.linspace(0, 10, 100)`：生成 0 到 10 范围内 100 个等间距的浮点数。 - `replace=False`：无放回抽样；`replace=True`：有放回。 - 支持更复杂的分布（如概率权重）。 --- ## ✅ 4. 对浮点数范围进行抽样（例如：从 1.0 到 10.0 的范围内） ```python import random # 从 1.0 到 10.0 的浮点数范围内随机抽取 5 个数 sample = [random.uniform(1.0, 10.0) for _ in range(5)] print(sample) ``` ### ✅ 说明： - `random.uniform(a, b)`：返回一个在 `[a, b]` 区间内的随机浮点数。 - 适用于连续范围的浮点数抽样。 --- ## ✅ 5. 使用 `secrets` 模块进行加密安全抽样（适合安全敏感场景） ```python import secrets # 从 1 到 100 中安全抽取 5 个不重复的数 secure_sample = secrets.sample(range(1, 101), 5) print(secure_sample) ``` ### ✅ 说明： - `secrets` 模块比 `random` 更安全，适用于密码学、令牌生成等场景。 - 不建议用于性能要求高的场景。 --- ## ✅ 6. 对 Pandas DataFrame 或 Series 进行抽样 ```python import pandas as pd import numpy as np # 创建一个示例 DataFrame df = pd.DataFrame({'value': np.random.uniform(0, 100, 100)}) # 随机抽取 10 行 sample_df = df.sample(n=10) print(sample_df) ``` --- ## ✅ 小结对比 | 方法 | 是否支持浮点 | 是否允许重复 | 是否加密安全 | 是否支持权重 | |------|---------------|----------------|----------------|----------------| | `random.sample()` | ❌ | ❌ | ❌ | ❌ | | `random.choices()` | ❌ | ✅ | ❌ | ❌ | | `numpy.random.choice()` | ✅ | ✅ | ❌ | ✅ | | `random.uniform()` | ✅ | ✅ | ❌ | ❌ | | `secrets.sample()` | ❌ | ❌ | ✅ | ❌ | | `pandas.DataFrame.sample()` | ✅ | ✅ | ❌ | ✅ | ---